A Complemento 22013

Coordinacin MAT022
Campus Santiago Vitacura

Apuntes de
MAT022 - Complementos 2
a
vs. 2
sem.2013
Prefacio
Estimados alumnos:
Este texto, en su primera versin en formato de libro, es el resultado del esfuerzo de muchos co-
legas del Departamento de Matemtica de la Universidad Tcnica Federico Santa Mara, que a lo
largo del tiempo han dictado este curso. Las diferentes secciones incorporan apuntes de profesores
del Campus Santiago, especialmente de Juan Bahamodes, Nelson Cifuentes, Roberto Geraldo,
Leonel Guerrero y Erick Inda. En esta versin, stos han sido editados por quien suscribe, para
que su estructura incorpore no solo los contenidos que se espera conozcan en profundidad, sino
que tambin varios ejercicios resueltos y propuestos, que esperamos resuelvan con entusiasmo,
para lograr mejores aprendizajes. Hemos optado tambin por incluir muchas demostraciones de
los teoremas que vern en clases. No es el objetivo que todos ellos sean vistos en clases. Ms bien,
esperamos que los alumnos interesados, tengan la posibilidad de profundizar en la aprehensin
de los conceptos involucrados, y de comprender cmo se realiza la construccin del conocimiento
matemtico. Esperamos que esta primera versin, an preliminar, les sea de utilidad, y que cual-
quier error que encuentren (por cierto, involuntario), sea informado al mail indicado abajo.
El apunte est estructurado y ordenado en la forma de clases correlativas, estimando el tiempo
necesario para tratar los temas que comprende el programa, clase a clase. Esto no los debe llevar a
equvocos: el nmero total de clases en un semestre es superior al nmero de clases que aparecen
en este texto. Esto se debe a que no se incluyeron aqu, de manera numerada, las clases de ejercicios
que se intercalan en algunos momentos, de acuerdo al calendario de certmenes de cada semestre,
las eventuales falencias detectadas y a las necesidades especcas que cada curso determine.
Es importante que tengan presente que este apunte no reemplaza las clases. Para lograr un buen
aprendizaje de los conceptos e ideas que considera este curso, es fundamental que asistan a clases,
participen activamente en ella, estudien de manera metdica, ojal estructurando un horario de
estudio diario, preparndose siempre para su prxima clase y que planteen a sus profesores cual-
quier duda conceptual que les surja. Si sus dudas aparecen cuando estn resolviendo un problema,
revisen los apuntes (stos y los personales de clases), ya que es posible que hay algn concepto que
no han comprendido cabalmente, reintente, aplique muchas alternativas de solucin e intercambie
I
PREFACIO Vernica Gruenberg Stern
opiniones y mtodos con sus compaeros. Esta forma de estudiar les entregar una comprensin
ms profunda de las ideas y conceptos que estudiaremos en este curso y, por cierto, tendrn un
aprendizaje de calidad.
Desendoles la mejor experiencia de aprendizaje y que su trabajo sistemtico rinda los frutos que
esperan, los invita a iniciar esta aventura, muy cordialmente,
Vernica Gruenberg Stern
veronica.gruenberg@usm.cl
II
ndice general
Prefacio I
ndice general III
1. Matrices 1
1.1. CLASE 1: Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1. Operatoria con matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.2. Propiedades de las operaciones matriciales . . . . . . . . . . . . . . . . . . . . 5
1.2. CLASE 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.1. Matriz transpuesta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3. CLASE 3: Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4. CLASE 4: Operaciones Elementales y Matrices Elementales . . . . . . . . . . . . . . . 13
1.4.1. Matrices elementales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.5. CLASE 5: Sistemas de ecuaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . 19
1.6. CLASE 6: Matriz Inversa y operaciones elementales . . . . . . . . . . . . . . . . . . . 26
1.6.1. Mtodo de Gauss-Jordan para calcular la inversa de una matriz . . . . . . . . 26
1.7. CLASE 7: Determinantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.7.1. Propiedades de los determinantes . . . . . . . . . . . . . . . . . . . . . . . . . 31
1.7.2. Regla de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
1.8. Ejercicios de Controles y Certmenes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2. Vectores en R
n
39
2.1. CLASE 8: Vectores en el plano y en el espacio . . . . . . . . . . . . . . . . . . . . . . . 39
2.1.1. Operaciones bsicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.1.2. Producto punto y norma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.1.3. Norma de un vector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.1.4. ngulo entre vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.1.5. Producto cruz en R
3
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.2. CLASE 9: Geometra del Plano y el Espacio . . . . . . . . . . . . . . . . . . . . . . . . 49
2.2.1. Proyecciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
III
NDICE GENERAL
2.2.2. Rectas en el espacio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.2.3. Planos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3. Espacios Vectoriales 59
3.1. CLASE 10: Espacios Vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.2. CLASE 11: Subespacios Vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.3. CLASE 12: Espacio Generado. Independencia lineal . . . . . . . . . . . . . . . . . . . 69
3.4. CLASE 13: Bases y dimensin. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4. Diagonalizacin 81
4.1. CLASE 14: Valores y Vectores Propios . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.2. CLASE 15: Diagonalizacin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
4.3. CLASE 16: Aplicacin: forma cannica de cuadrticas . . . . . . . . . . . . . . . . . . 91
4.3.1. Proceso de ortogonalizacin de Gram-Schmidt . . . . . . . . . . . . . . . . . . 92
4.3.2. Formas cuadrticas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.4. CLASE 17: Aplicacin: Secciones cnicas rotadas . . . . . . . . . . . . . . . . . . . . . 97
4.4.1. Aproximacin geomtrica a la clasicacin de cudricas en el plano . . . . . 100
5. Sucesiones y Series Numricas 105
5.1. CLASE 18: Sucesiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5.1.1. Conceptos bsicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5.2. CLASE 19: Convergencia de Sucesiones . . . . . . . . . . . . . . . . . . . . . . . . . . 112
5.2.1. El concepto de convergencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
5.2.2. Algunas propiedades de las sucesiones . . . . . . . . . . . . . . . . . . . . . . 117
5.2.3. Algunos resultados de convergencia . . . . . . . . . . . . . . . . . . . . . . . . 120
5.3. CLASE 20: Series Numricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
5.4. Criterios de convergencia de Series . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
5.4.1. Criterio de la integral. Criterio de comparacin y comparacin al lmite. . . . 129
5.4.2. CLASE 21: Criterios del cuociente y de la raz . . . . . . . . . . . . . . . . . . 133
5.5. Series Alternadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
5.5.1. Convergencia condicional y absoluta . . . . . . . . . . . . . . . . . . . . . . . 137
6. Series de Potencias 141
6.1. CLASE 22: Series de Potencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
6.2. CLASE 23: Polinomios y Series de Taylor y MacLaurin . . . . . . . . . . . . . . . . . 147
IV
NDICE GENERAL
6.2.1. Polinomios de Taylor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
6.2.2. Series de Taylor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
6.3. CLASE 24: Aplicaciones al Clculo de Integrales y Serie Binomial . . . . . . . . . . . 151
V
NDICE GENERAL
VI
Captulo 1
Matrices
1.1. CLASE 1: Matrices
DEFINICIN 1.1.1 Una matriz de orden n m (se lee n las por m columnas) es un arreglo rectan-
gular de la forma
_
_
_
_
_
_
_
_
_
a
11
a
12
a
13
a
1m
a
21
a
22
a
23
a
2m
a
31
a
32
a
33
a
3m
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
n3
a
nm
_
_
_
_
_
_
_
_
_
Cada uno de los elementos a
ij
del arreglo se llama entrada, elemento o coeciente de la matriz.
OBSERVACIN: Denotaremos las matrices por letras maysculas A, B, C o tambin en la forma
(a
ij
)
nm
, (b
ij
)
nm
OBSERVACIN: Los elementos de una matriz pueden pertenecer a cualquier conjunto numrico, en
particular a R o C. Denotaremos por /
nm
(R) /(n m, R) al conjunto de todas las matrices
de orden n m con coecientes reales; de manera similar, /
nm
(C) /(n m, C) denota el
conjunto de todas las matrices de orden n m con coecientes complejos.
EJEMPLOS:
1. La matriz A =
_
1 2
3 4
_
/
22
(R) y la matriz B =
_
1 2 1 i
i 0 3
_
/
23
(C).
En A, se tiene que a
12
= 2 y a
21
= 3.
En B, se tiene que a
13
= 1 i y a
21
= i.
2. La matriz A = (a
ij
)
33
= (i +j)
33
est dada por
_
_
_
2 3 4
3 4 5
4 5 6
_
_
_
1
CAPTULO 1. MATRICES Vernica Gruenberg Stern
DEFINICIN 1.1.2 Una matriz de orden n 1 se llama matriz columna o vector columna, y tienen la
forma
_
_
_
_
_
_
a
11
a
21
.
.
.
a
n1
_
_
_
_
_
_
De manera similar, una matriz de orden 1 m se llama matriz la o vector la, y tiene la forma
_
a
11
a
12
a
13
a
1m
_
DEFINICIN 1.1.3 La matriz (a
ij
)
nm
tal que a
ij
= 0 para todo i, j se llama matriz nula de orden
n m y es denotada por [0]
nm
, es decir
[0]
nm
=
_
_
_
_
_
_
0 0 0
0 0 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0
_
_
_
_
_
_
OBSERVACIN: Las matrices de orden nn (igual nmero de las y de columnas) se les denomina
matrices cuadradas de orden n.
DEFINICIN 1.1.4 Sea A una matriz cuadrada A = (a
ij
)
nn
. Los coecientes a
ii
para i = 1, 2, . . . , n
forman la diagonal principal de la matriz. La diagonal secundaria de A son los elementos de la forma
a
i,n+1i
para i = 1, 2, . . . , n es decir
La diagonal principal de A :
_
_
_
_
_
_
a
11
a
22
.
.
.
a
nn
_
_
_
_
_
_
La diagonal secundaria de A :
_
_
_
_
_
_
a
1n
a
n1,2
a
n1
_
_
_
_
_
_
DEFINICIN 1.1.5 Una matriz cuadrada en la cual los elementos fuera de la diagonal son todos
nulos se llama matriz diagonal (los elementos de la diagonal pueden tomar cualquier valor, es decir,
2
Vernica Gruenberg Stern 1.1. CLASE 1: MATRICES
no necesariamente son distintos de cero).
Matriz diagonal:
_
_
_
_
_
_
_
_
_
a
11
0 0 0
0 a
22
0 0
0 0 a
33

.
.
.
.
.
.
.
.
.
.
.
.
.
.
. 0
0 0 0 a
nn
_
_
_
_
_
_
_
_
_
Un tipo muy importante de matriz diagonal, es aquella que tiene todos los elementos de la
diagonal principal igual a 1, y se llama matriz identidad de orden n. Esta matriz es denotada por I
n
.
EJEMPLO 1.1.1
I
2
=
_
1 0
0 1
_
I
3
=
_
_
_
1 0 0
0 1 0
0 0 1
_
_
_ I
4
=
_
_
_
_
_
_
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
_
_
_
_
_
_
DEFINICIN 1.1.6 Si una matriz cuadrada de orden n es tal que todos los elementos que estn
sobre su diagonal principal son todos iguales a cero (no importan los dems) se denomina matriz
triangular inferior; de manera similar, una matriz triangular superior es aquella en la cual todos los
elementos que se encuentran bajo la diagonal principal son todos igual a cero.
Matriz triangular inferior:
_
_
_
_
_
_
_
_
_
_
a
11
0 0 0
a
21
a
22
0
.
.
. 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. 0
a
n1
a
n2
a
n3
a
nn
_
_
_
_
_
_
_
_
_
_
Matriz triangular superior:
_
_
_
_
_
_
_
_
_
_
a
11
a
12
a
13
a
1n
0 a
22
a
23
.
.
. a
2n
0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 a
nn
_
_
_
_
_
_
_
_
_
_
DEFINICIN 1.1.7 Dada una matriz cuadrada
A =
_
_
_
_
_
_
_
_
_
a
11
a
12
a
13
a
1n
a
21
a
22
a
23
a
2n
a
31
a
32
a
33
a
3n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
n3
a
nn
_
_
_
_
_
_
_
_
_
3
llamaremos traza de A (denotado por tr(A) ) a la suma de los elementos de la diagonal principal,
es decir,
tr (A) = a
11
+a
22
+ +a
nn
=
n
i=1
a
ii
EJEMPLO 1.1.2 La traza de la matriz
A
n
=
_
_
_
_
_
_
_
_
_
1 0 0 0
1 2 0 0
1 2 3 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1 2 3 n
_
_
_
_
_
_
_
_
_
es tr(A) = 1 + 2 + +n =
n(n + 1)
2
.
1.1.1. Operatoria con matrices
Igualdad de matrices: Dos matrices A y B son iguales si son del mismo orden y adems
a
ij
= b
ij
i, j.
EJEMPLO 1.1.3 Encontrar los valores de las incgnitas si se tiene
_
x + 1 0
x
2
1
_
=
_
2 a
b d
_
Suma de matrices: Si A = (a
ij
)
nm
y B = (b
ij
)
nm
, se dene la suma de A y B:
A+B = (a
ij
+b
ij
)
nm
es decir:
_
_
_
_
_
_
a
11
a
12
a
1m
a
21
a
22
a
2m
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nm
_
_
_
_
_
_
+
_
_
_
_
_
_
b
11
b
12
b
1m
b
21
b
22
b
2m
.
.
.
.
.
.
.
.
.
.
.
.
b
n1
b
n2
b
nm
_
_
_
_
_
_
=
_
_
_
_
_
_
a
11
+b
11
a
12
+b
12
a
1m
+b
1m
a
21
+b
21
a
22
+b
22
a
2m
+b
2m
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
+b
n1
a
n2
+b
n2
a
nm
+b
nm
_
_
_
_
_
_
EJEMPLO 1.1.4
_
1 2 1
0 2 3
_
+
_
1 1 2
3 1 1
_
=
_
0 3 1
3 3 4
_
4
OBSERVACIN: tr (A+B) = tr (A) +tr (B).
Multiplicacin por escalar: Si A = (a
ij
)
nm
y R C, entonces
A = (a
ij
)
nm
= (a
ij
)
nm
, es decir
_
_
_
_
_
_
a
11
a
12
a
1m
a
21
a
22
a
2m
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nm
_
_
_
_
_
_
=
_
_
_
_
_
_
a
11
a
12
a
m
a
21
a
22
a
2m
.
.
.
.
.
.
.
.
.
.
.
.
a
n
a
2n
a
mn
_
_
_
_
_
_
Producto de matrices: Sea K = R C. Sean A /(n m, K) y B /(mp, K). La
matriz producto C = A B es la matriz de orden n p dada por (c
ij
)
np
donde
c
ij
=
m
k=1
a
ik
b
kj
es decir para obtener el elemento c
ij
del producto se ja la la i de A y la columna j de B y
se forma el elemento anterior; se dice que el producto de matrices es las por columnas.
1.1.2. Propiedades de las operaciones matriciales
Sean A, B, C matrices (con rdenes tales que las operaciones consideradas pueden ser aplica-
das) y a, escalares:
1. A+B = B +A 8. 1 A = A
2. (A+B) +C = A+ (B +C) 9. (AB) C = A(BC)
3. A+ [0] = A 10. A(B +C) = AB +AC
4. A+ (1) A = [0] 11. (A+B) C = AC +BC
5. (A+B) = A+B 12. (AB) = (A) B = A(B)
6. ( +) A = A+A 13. A /
nm
I
n
A = A = AI
m
7. (A) = () A
OBSERVACIN: Es muy importante notar que el producto matricial no es conmutativo; incluso uno
de los productos puede no estar denido. Si consideramos A /
23
y B /
34
entonces AB
est denida y tiene orden 2 4. Notar que BA no est denido.
EJEMPLO 1.1.5
_
1 1
2 1
__
1 1
0 1
_
=
_
1 2
2 1
_
_
1 1
0 1
__
1 1
2 1
_
=
_
1 2
2 1
_
5
Se sigue que
_
1 1
2 1
__
1 1
0 1
_
,=
_
1 1
0 1
__
1 1
2 1
_
OBSERVACIN: En matrices, la ecuacin AX = B con A ,= [0] y B una matriz dada, no siempre
tiene solucin. Considere
_
1 1
0 0
_
X =
_
1 1
1 1
_
Si X tiene orden n m, para que est bien denido el producto, se ha de tener n = 2. El resultado
sera de orden 2 m, pero sabemos que es de orden 2 2, luego m = 2. Pongamos entonces
X =
_
a b
c d
_
entonces
_
1 1
0 0
__
a b
c d
_
=
_
a +c b +d
0 0
_
=
_
1 1
1 1
_
de inmediato esto no puede ser, pues observando la segunda la, vemos que 0 ,= 1.
OBSERVACIN: En matrices no es verdad que AB = [0] implique A = [0] B = [0]. En efecto:
_
0 1
0 0
__
0 1
0 0
_
=
_
0 0
0 0
_
Ejercicios Propuestos
1. Considerar la matriz B =
_
_
_
1 1 1
0 1 1
0 0 1
_
_
_ Calcular B
2
, B
3
, B
4
.
2. Sean A =
_
1 1 2
0 3 4
_
, B =
_
4 0 3
1 2 3
_
, C =
_
_
_
2 3 0 1
5 1 4 2
1 0 0 3
_
_
_, y
D =
_
_
_
2
1
3
_
_
_. Calcule A+B, 3A4B, AC, BD, A
t
, C
t
B
t
.
6
3. Sean A =
_
_
_
1 2 0
1 1 0
1 4 0
_
_
_, B =
_
_
_
1 2 3
1 1 1
2 2 2
_
_
_, C =
_
_
_
1 2 3
1 1 1
1 1 1
_
_
_.
Verique que AB = AC. Qu consecuencia obtiene de lo anterior?
4. Determine x R tal que
_
x 4 1
_
_
_
_
2 1 0
1 0 2
0 2 4
_
_
_
_
_
_
x
4
1
_
_
_ = 0
5. Qu condicin(es) deben vericar a, b, c, d para que las matrices
_
a b
c d
_
,
_
1 1
1 1
_
conmuten? (respecto al producto).
6. Construir la matriz denida por:
a) A =
_
i+j
k=1
k
2
_
32
b) B =
_
[i j[
_
35
c) C =
_
(i + 1)(j 2)
_
33
7. Sea A =
_
i
_
33
y B =
_
j
_
33
. Encontrar 2A
2
+AB.
Indicacin: A = (a
ij
) B = (b
ij
)
8. Sea A =
_
_
_
1 0 1
0 0 0
1 0 1
_
_
_. Verique que A
2
= 2A. Puede armar algo de A
3
?
9. Sea A =
_
_
_
1 1 0
0 1 1
0 0 1
_
_
_. Demostrar que A
n
=
_
_
_
_
1 n
n(n 1)
2
0 1 n
0 0 1
_
_
_
_
10. Hallar una matriz A de orden 2 2 tal que A
2
= I
11. Hallar una matriz A de orden 2 2,A,= 0 tal que A
2
= 0
12. Hallar una matriz A no nula, tal que A
2
,= 0 y A
3
= 0
13. Probar que tr (AB) = tr (BA)
7
1.2. CLASE 2
1.2.1. Matriz transpuesta
DEFINICIN 1.2.1 Sea A /(n m, K), A = (a
ij
) con K = R C. La matriz transpuesta de A es
la matriz denotada por A
T
/(mn, K) denida por
A = (a
ij
) A
T
= (a
ji
)
Es decir, A
T
es la matriz obtenida intercambiando las las y columnas de la matriz A. Es decir, la
i-sima la de A pasa a ser la i-sima columna de A
T
.
Esto signica que si:
A =
_
_
_
_
_
_
a
11
a
12
a
13
a
1m
a
21
a
22
a
23
a
2m
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
n3
a
nm
_
_
_
_
_
_
nm
entonces
A
T
=
_
_
_
_
_
_
_
_
_
a
11
a
21
a
n1
a
12
a
22
a
n2
a
13
a
23
a
n3
.
.
.
.
.
.
.
.
.
.
.
.
a
1m
a
2m
a
nm
_
_
_
_
_
_
_
_
_
mn
EJEMPLO 1.2.1 Si
A =
_
1 2 0
5 7 4
_
entonces
A
T
=
_
1 2 0
5 7 4
_
T
=
_
_
_
1 5
2 7
0 4
_
_
_
PROPOSICIN 1.2.1 Sea K,n N,A y B matrices con rdenes apropiados para que las opera-
ciones estn bien denidas; entonces:
1.
_
A
T
_
T
= A
2. (A+B)
T
= A
T
+B
T
3. (A)
T
=
_
A
T
_
4. (AB)
T
= B
T
A
T
5. (A
n
)
T
=
_
A
T
_
n
, n N
0
8
Vernica Gruenberg Stern 1.2. CLASE 2
DEFINICIN 1.2.2 Sea A una matriz cuadrada.
A se dice simtrica si A
T
= A
A se dice antisimtrica si A
T
= A
EJEMPLO 1.2.2 La matriz
A =
_
_
_
1 0 3
0 2 1
3 1 0
_
_
_ es simtrica, y la matriz B =
_
_
_
0 3 1
3 0 2
1 2 0
_
_
_ es antisimtrica.
OBSERVACIN: Notar que para que una matriz A pueda ser simtrica o antisimtrica, sta debe
ser cuadrada, por el orden de las matrices involucradas.
PROPOSICIN 1.2.2 Sean A y B matrices simtricas del mismo orden. Entonces:
1. A+B es simtrica
2. Si K entonces A es simtrica
Demostracin:
1. (A+B)
T
= A
T
+B
T
= A+B
2. (A)
T
= A
T
= A
PROPOSICIN 1.2.3 Si A es una matriz cuadrada entonces:
1. A+A
T
es simtrica
2. AA
T
y A
T
A son matrices simtricas
3. AA
T
es antisimtrica
Demostracin:
1.
_
A+A
T
_
T
= A
T
+ (A
T
)
T
= A
T
+A = A+A
T
. Por lo tanto A+A
T
es simtrica.
2.
_
AA
T
_
T
= (A
T
)
T
A
T
= AA
T
. Anlogamente el otro caso.
3.
_
AA
T
_
T
= A
T
(A
T
)
T
= A
T
A = A + A
T
= (A A
T
). Por lo tanto, A A
T
es
antisimtrica.
9
OBSERVACIN: De las proposiciones anteriores podemos deducir que toda matriz cuadrada se
puede descomponer en una parte simtrica y otra antisimtrica en la forma
A =
_
A+A
T
2
_
+
_
AA
T
2
_
Adems, esta descomposicin es nica.
PROPOSICIN 1.2.4 Si A es una matriz antisimtrica, su diagonal principal tiene solamente ceros.
En efecto: de A
T
+A = 0 se sigue que
a
ii
+a
ii
= 0 a
ii
= 0 para cada i
1. Considere A =
_
_
_
1 0 1
1 0 1
2 3 2
_
_
_, B =
_
_
_
1 2
0 3
5 6
_
_
_ y C =
_
_
_
1
1
0
_
_
_. Calcular los siguientes
productos, si es posible:
a) C
T
B b) C
T
C c) CC
T
d) BB
T
e) C
T
AC
2. Sean A y B matrices simtricas. Determine si las siguientes son o no simtricas:
a) A
2
+B
2
b) A
2
B
2
c) ABA
d) ABAB
3. Es cierto que si A es antisimtrica entonces A
2
es simtrica?
4. Sea
S =
_
_
_
_
_
_
_
_
_
_
_
0 1 0 0 0
0 0 1 0 0
0 0 0 1 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 0 1
0 0 0 0 0
_
_
_
_
_
_
_
_
_
_
_
nn
a) Determinar S
n
para n N
b) Si A es una matriz de orden n n encontrar una regla para calcular SA y AS.
10
Vernica Gruenberg Stern 1.2. CLASE 2
5. Estudie si existe una matriz con coecientes reales A de orden 3 2 tal que AA
T
= I
3
.
6. Determine si las siguientes armaciones son verdaderas o falsas; si es verdadera, demuestre
la armacin, y si es falsa, d un contraejemplo:
a) Si A
2
est denido, entonces A es cuadrada.
b) Si AB y BA estn denidos, entonces A y B son cuadradas.
c) Si AB y BA estn denidos, entonces AB y BA son cuadradas.
d) (AB)
2
= A
2
B
2
7. Determine A
n
, n N para las matrices
A
1
=
_
a b
0 a
_
, A
2
=
_
c c
0 0
_
8. Se dice que una matriz A, cuadrada de orden n es nilpotente si, y solamente si, existe un
entero k > 0 talque A
k
es la matriz cero. El mnimo entero positivo para el cual esto se
cumple es llamado grado de nilpotencia de A.
a) Demuestre que cada una de las siguientes matrices es nilpotente y encuentre su grado
de nilpotencia:
(a) A =
_
_
_
_
_
_
0 1 1 2
0 0 3 2
0 0 0 4
0 0 0 0
_
_
_
_
_
_
(b) A =
_
_
_
1 1 3
5 2 6
2 1 3
_
_
_
b) Encontrar todas las matrices de 2 2 nilpotentes, con grado de nilpotencia dos.
11
1.3. CLASE 3: Ejercicios
Estos son algunos ejercicios sugeridos:
1. Encuentre todas las matrices 3 3 que conmutan con la matriz
_
_
_
1 0 0
0 1 0
3 1 2
_
_
_.
2. Resuelva la ecuacin matricial X
2
=
_
4 1
0 4
_
3. Sean A, B /
3
(R), donde
A = (a
ij
) =
_
i +j si i < j
2i j si i j
y B = (b
ij
) =
_
3
i
si [i j[ es par
2 i si [i j[ es impar
Determine X Y si X = (A2B)
T
, Y = A (2B)
4. Pruebe que si A es antisimtrica entonces los elementos de la diagonal principal son todos
igual a 0.
5. Es verdadero o falso que A A
T
= A
T
A? Justique.
6. Sea A =
_
cos(
2
k
) sen(
2
k
)
sen(
2
k
) cos(
2
k
)
_
, k Z
+
Determine A
n
, n N. A qu es igual A
n
si n = k?
7. Sea A /
n
(R) tal que A
2
= [0]. Pruebe que A (I +A)
n
= A, n N.
(Ayuda: use induccin).
12
Vernica Gruenberg Stern 1.4. CLASE 4: OPERACIONES ELEMENTALES Y MATRICES ELEMENTALES
1.4. CLASE 4: Operaciones Elementales y Matrices Elementales
DEFINICIN 1.4.1 En una matriz podemos realizar tres tipos de operaciones elementales por la:
(1) Intercambiar (permutar) dos de sus las.
(2) Multiplicar una la (es decir cada coeciente de la correspondiente la) por una constante
distinta de cero.
(3) Sumar el mltiplo de una la a otra la
EJEMPLOS: Ejemplos de operaciones elementales:
Intercambio entre dos las: las las 1 y 3
_
_
_
2 0 1
5 4 3
7 6 9
_
_
_
_
_
_
7 6 9
5 4 3
2 0 1
_
_
_
Multiplicacin de una la por un escalar: la la 2, se multiplica por 3
_
_
_
4 0 1
5 4 3
2 8 9
_
_
_
_
_
_
4 0 1
15 12 9
2 8 9
_
_
_
Adicin del mltiplo de una la a otra la: Multiplicamos la la 2 por 2 y se la sumamos a la
la 3
_
_
_
1 0 1
1 0 2
3 8 9
_
_
_
_
_
_
1 0 1
1 0 2
5 8 5
_
_
_
1.4.1. Matrices elementales
DEFINICIN 1.4.2 Una matriz elemental es una matriz que resulta al efectuar una operacin ele-
mental sobre la matriz identidad I
n
Dado que existen tres tipos de operaciones elementales, existirn entonces tres tipos de matri-
ces elementales; usaremos la notacin siguiente:
E
ij
: es la matriz elemental obtenida intercambiando (en la matriz identidad) la la i con la
la j.
E
i
(): es la matriz obtenida multiplicando (en la matriz identidad) la la i por ,= 0.
E
ij
(): es la matriz obtenida sumndole a la la i, la la j multiplicada por .
13
EJEMPLO 1.4.1 Para la matriz I
4
:
1. E
24
=
_
_
_
_
_
_
1 0 0 0
0 0 0 1
0 0 1 0
0 1 0 0
_
_
_
_
_
_
2. E
3
(2) =
_
_
_
_
_
_
1 0 0 0
0 1 0 0
0 0 2 0
0 0 0 1
_
_
_
_
_
_
3. E
31
(4) =
_
_
_
_
_
_
1 0 0 0
0 1 0 0
4 0 1 0
0 0 0 1
_
_
_
_
_
_
Considere ahora la matriz
A =
_
_
_
_
_
_
1 2 1 0
2 5 6 4
3 1 0 5
0 2 3 4
_
_
_
_
_
_
Note que si multiplicamos esta matriz por la matriz elemental E
24
por la izquierda, esto es,
efectuamos el producto E
24
A, obtenemos la matriz
E
24
A =
_
_
_
_
_
_
1 0 0 0
0 0 0 1
0 0 1 0
0 1 0 0
_
_
_
_
_
_
_
_
_
_
_
_
1 2 1 0
2 5 6 4
3 1 0 5
0 2 3 4
_
_
_
_
_
_
=
_
_
_
_
_
_
1 2 1 0
0 2 3 4
3 1 0 5
2 5 6 4
_
_
_
_
_
_
que es lo mismo que haber efectuado sobre la matriz A la operacin elemental, intercambiar la la
2 con la la 4.
Si efectuamos el producto E
3
(2) A, obtenemos
E
3
(2) A =
_
_
_
_
_
_
1 0 0 0
0 1 0 0
0 0 2 0
0 0 0 1
_
_
_
_
_
_
_
_
_
_
_
_
1 2 1 0
2 5 6 4
3 1 0 5
0 2 3 4
_
_
_
_
_
_
=
_
_
_
_
_
_
1 2 1 0
2 5 6 4
6 2 0 10
0 2 3 4
_
_
_
_
_
_
que es lo mismo que se obtiene al realizar sobre la matriz A la operacin elemental, la la 3 la
multiplicamos por -2.
14
Si efectuamos el producto E
31
(4) A, obtenemos el mismo resultado de la operacin elemental
sobre A, la la 1 la multiplicamos por -4 y se la sumamos a la la 3.
E
31
(4) A =
_
_
_
_
_
_
1 0 0 0
0 1 0 0
4 0 1 0
0 0 0 1
_
_
_
_
_
_
_
_
_
_
_
_
1 2 1 0
2 5 6 4
3 1 0 5
0 2 3 4
_
_
_
_
_
_
=
_
_
_
_
_
_
1 2 1 0
2 5 6 4
7 9 4 5
0 2 3 4
_
_
_
_
_
_
Se tiene al respecto el siguiente teorema.
TEOREMA 1.4.1 Sea E la matriz elemental obtenida al efectuar una operacin elemental por la
sobre la matriz I
n
. Si la misma operacin elemental se realiza sobre una matriz A de orden n m,
el resultado es el mismo que el del producto E A.
DEFINICIN 1.4.3 Diremos que las matrices A y B son equivalentes por las si existe una suce-
sin de operaciones elementales por las que convierte la matriz A en la matriz B. En tal caso
pondremos A B
Como hemos visto, realizar una operacin elemental sobre una matriz es equivalente a mul-
tiplicar por la izquierda esa matriz por una matriz elemental; para efectos de nuestros clculos
haremos directamente la operacin elemental sobre la correspondiente matriz, y la anotamos de la
manera que muestra el ejemplo siguiente:
EJEMPLO 1.4.2
_
_
_
1 0 1
2 4 0
3 4 6
_
_
_
E
21
(2)
_
_
_
1 0 1
0 4 2
3 4 6
_
_
_
E
31
(3)
_
_
_
1 0 1
0 4 2
0 4 9
_
_
_
E
32
(1)
_
_
_
1 0 1
0 4 2
0 0 7
_
_
_
En este caso las matrices
_
_
_
1 0 1
2 4 0
3 4 6
_
_
_y
_
_
_
1 0 1
0 4 2
0 0 7
_
_
_son equivalentes (por la).
OBSERVACIN: Un desarrollo anlogo, multiplicando por las matrices elementales por la derecha,
permite denir operaciones elementales columna.
DEFINICIN 1.4.4 Una matriz se encuentra en forma escalonada por las si satisface las siguientes
propiedades:
Cualquier la que se componga enteramente de ceros se ubica en la parte inferior de la ma-
triz.
15
En cada la distinta de cero, la primera entrada o coeciente (contado desde la izquierda),
denominado pivote, se localiza en una columna a la izquierda de cualquier entrada principal
debajo de ella.
si adems se cumple:
Sus pivotes son todos iguales a 1
En cada la el pivote es el nico elemento no nulo de su columna
decimos que la matriz se encuentra en forma escalonada reducida por las.
EJEMPLO 1.4.3 Son matrices escalonadas
A =
_
_
_
_
_
_
1 2 4 5 2 9
0 0 2 6 0 1
0 0 0 3 4 1
0 0 0 0 1 1
_
_
_
_
_
_
y B =
_
_
_
_
_
_
1 2 0 0
0 0 2 0
0 0 0 0
0 0 0 0
_
_
_
_
_
_
pero la matriz
C =
_
_
_
_
_
_
1 2 0 1 1 3
0 1 4 5 7 0
2 0 0 1 1 1
0 0 0 0 0 1
_
_
_
_
_
_
no es escalonada.
EJEMPLO 1.4.4 Las siguientes matrices estn en forma escalonada reducida:
A =
_
_
_
_
_
_
1 2 0 0 0
58
3
0 0 1 0 0
9
2
0 0 0 1 0
5
3
0 0 0 0 1 1
_
_
_
_
_
_
, B =
_
_
_
_
_
_
1 0 0
1
2
1
2
0
0 1 0
1
4

3
4
0
0 0 1
19
16
31
16
0
0 0 0 0 0 1
_
_
_
_
_
_
DEFINICIN 1.4.5 Un algoritmo es una secuencia nita de operaciones realizables, no ambiguas,
cuya ejecucin da una solucin de un problema en un tiempo nito.
El algoritmo de reduccin de Gauss escalona una matriz por medio de operaciones elementa-
les la. A continuacin encontrar la descripcin del algoritmo de reduccin de Gauss.
16
Sea A=(a
ij
)
mn
. Para k (ndice de la) tomando los valores 1, 2, . . . , m1 :
1. Si la submatriz M
k
de las las k, (k + 1) , , m solo tiene coecientes nulos no hacer nada.
2. Si el punto anterior no se cumple, buscar el ndice j
0
ms pequeo tal que la columna j
0
tenga por lo menos un coeciente distinto de cero en M
k
. Hallar el i
0
ms pequeo tal que
a
i
0
j
0
,= 0 e i
0
k. Si i
0
> k operar en la matriz permutando las k e i
0
.
3. Para i de k + 1 a m, si a
ij
0
,= 0 cambiar la la i por la la i menos
a
ij
0
a
kj
0
la la k.
EJEMPLO 1.4.5 Consideremos la matriz
_
_
_
2 0 3
1 3 6
0 6 15
_
_
_
Encontrar su forma escalonada:
_
_
_
2 0 3
1 3 6
0 6 15
_
_
_
E
12
_
_
_
1 3 6
2 0 3
0 6 15
_
_
_
E
21
(2)
_
_
_
1 3 6
0 6 15
0 6 15
_
_
_
E
32
(1)
_
_
_
1 3 6
0 6 15
0 0 0
_
_
_
est es su forma escalonada.
OBSERVACIN: Claramente, el algoritmo de Gauss- Jordan permite llevar matrices a la forma esca-
lonada reducida. Prosiga con el proceso en el ejemplo anterior, hasta llegar a la forma escalonada
reducida.
DEFINICIN 1.4.6 Sea A una matriz. Se denomina rango de la matriz A al nmero de las no
nulas de la matriz escalonada equivalente a la matriz A original, obtenida, por ejemplo, mediante
el algoritmo de reduccin de Gauss. Se denota el rango de la matriz A por (A) o bien rango (A).
EJEMPLOS:
1. Determinar el rango de la matriz A =
_
_
_
_
_
_
_
_
1 2 3
4 1 0
2 1 1
0 0 0
3 1 2
_
_
_
_
_
_
_
_
2. Cules son todos los posibles rangos que puede tener una matriz 2 2? Y 3 2?
PROPOSICIN 1.4.1 Si A M
nm
entonces (A) mn n, m.
17
1. Determine A
25
si A =
_
_
_
0 0 1
0 1 0
1 0 0
_
_
_
2. Determine la forma escalonada reducida y el rango de la matriz A =
_
_
_
_
_
_
1 1 0
1 2 1
2 1 1
0 1 1
_
_
_
_
_
_
3. Hllese el rango de las siguientes matrices:
A =
_
_
_
1 4 3 2
2 2 1 1
1 2 2 1
_
_
_ y B =
_
_
_
1 4 3 2
2 2 1 1
1 2 2 1
_
_
_
4. Determine el valor de k para que (A) = 3, si A =
_
_
_
2 2 3 1
3 1 1 0
k 1 2 1
_
_
_.
5. Determine las condiciones que deben cumplir h y k para que (A) = 3, si
A =
_
_
_
_
_
_
1 0 2
0 0 k 2
0 k 1 h + 2
0 0 3
_
_
_
_
_
_
6. Hallar los valores de y de modo que el rango de la matriz A sea lo ms pequeo posible,
con
A =
_
_
_
_
_
_
_
_
1 3 2 1 4
2 1 1 2 3
3 4 3 1 2
3 3 0 3
3 2 3 3
_
_
_
_
_
_
_
_
18
Vernica Gruenberg Stern 1.5. CLASE 5: SISTEMAS DE ECUACIONES LINEALES
1.5. CLASE 5: Sistemas de ecuaciones lineales
Consideremos el sistema de m ecuaciones y n incgnitas
a
11
x
1
+a
12
x
2
+. . . +a
1n
x
n
= b
1
a
21
x
1
+a
22
x
2
+. . . +a
2n
x
n
= b
2
.
.
.
.
.
.
.
.
.
a
m1
x
1
+a
m2
x
2
+. . . +a
mn
x
n
= b
m
Usando matrices, el sistema se puede escribir en la forma de una ecuacin matricial AX = B,
donde
A =
_
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn
_
_
_
_
_
_
mn
, X =
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
_
n1
, B =
_
_
_
_
_
_
b
1
b
2
.
.
.
b
m
_
_
_
_
_
_
m1
DEFINICIN 1.5.1 Considere el sistema de ecuaciones AX = B, A /
mn
(R) , B /
m1
(R).
Diremos que X
0
/
n1
(R) es solucin del sistema si al reemplazar X
0
en la ecuacin, sta se
transforma en una identidad, es decir
AX
0
= B
DEFINICIN 1.5.2 Un sistema se llama compatible si tiene al menos una solucin. Si el sistema no
tiene solucin, diremos que es incompatible.
OBSERVACIN: Notar que si un sistema de ecuaciones tiene dos soluciones distintas entonces tiene
innitas soluciones distintas.
En efecto: Consideremos el sistema de ecuaciones AX = B, y supongamos que X
1
, X
2
son
dos soluciones distintas del sistema.
Sea R cualquiera. Demostraremos que X
1
+ (1 )X
2
tambin es solucin del sistema:
A
_
X
1
+ (1 )X
2
_
= AX
1
+ (1 )AX
2
= B + (1 )B = B
EJEMPLO 1.5.1 El sistema de ecuaciones lineales
x
1
+ 2x
2
= 4
x
2
x
3
= 0
x
1
+ 2x
3
= 4
puede escribirse como una ecuacin matricial AX = B, con
19
A =
_
_
_
1 2 0
0 1 1
1 0 2
_
_
_, X =
_
_
_
x
1
x
2
x
e
_
_
_, B =
_
_
_
4
0
4
_
_
_
Sistemas Homogneos
Antes de estudiar los sistemas de ecuaciones lineales generales, consideremos en primer lugar
los sistemas homogneos, es decir, aquellos en que B = [0].
DEFINICIN 1.5.3 Sea A M
mn
(R). El sistema AX = [0] se dice homogneo.
OBSERVACIN:
Sea AX = [0] un sistema homogneo. Entonces:
1. AX = [0] es siempre compatible, pues X = [0] es solucin.
2. Si C M
mn
(R) es tal que C A, entonces los sistemas AX = [0] y CX = [0] tienen las
mismas soluciones.
Para ver esto, note que las matrices elementales satisfacen:
E
ij
E
ij
= I, E
i
() E
i
_
1
_
= I, y E
ij
() E
ij
() = I
Luego, si E es una matriz formada por un producto de matrices elemetales entonces existe
una matriz E
1
(llamada matriz inversa de E) tal que
E
1
E = I
Como A C, existe una sucesin de matrices elementales E
1
, E
2
, . . . , E
k
tales que
E
1
E
2
E
k
A = C
Sea E = E
1
E
2
E
k
. Luego, si X
0
es tal que AX
0
= 0 , entonces EAX
0
= E0 = 0 de
donde CX
0
= 0.
Recprocamente, si CX
1
= 0 entonces E
1
CX
1
= 0 de donde AX
1
= 0.
Por lo tanto, los sistemas tienen las mismas soluciones.
20
Sistemas no homogneos
Con el mismo mtodo de la seccin anterior es posible mostrar que si c (A) es la matriz escalo-
nada equivalente por las con A entonces los sistemas
AX = B y c (A) X = EB
tienen las mismas soluciones (E es la matriz formada por el producto de matrices elementales que
escalonan A). Claramente, el segundo sistema es mucho ms fcil de resolver.
EJEMPLO 1.5.2 Resolver
_
_
_
1 2 0
0 1 2
0 0 2
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
1
2
3
_
_
_
Note que este sistema se puede escribir en la forma
x + 2y = 1
y + 2z = 2
2z = 3
De la ltima ecuacin obtenemos z =
3
2
; reemplazamos este valor en la segunda ecuacin y
despejamos para obtener y = 1; nalmente reemplazamos en la primera ecuacin y obtenemos
x = 1.
Lo que hace que el sistema anterior sea fcil de resolver, es que pudimos ir reemplazando los
valores de las variables de manera sucesiva. Notamos que esto queda representado en la forma
matricial, en que la matriz de coecientes A de la ecuacin es triangular superior. Esta simple
observacin nos entrega un mtodo para resolver sistemas, el que consiste en obtener el sistema
escalonado equivalente.
mn
(R) y B M
m1
(R). Consideremos el sistema AX = B con
B ,= 0. Llamaremos matriz ampliada del sistema a la matriz
(A [B) =
_
_
_
_
_
_
a
11
a
12
a
1n
b
1
a
21
a
22
a
2n
b
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn
b
m
_
_
_
_
_
_
21
EJEMPLO 1.5.3 El sistema de ecuaciones lineales
x
1
+ 2x
2
= 4
x
2
x
3
= 0
x
1
+ 2x
3
= 4
puede describirse con la matriz ampliada
_
_
_
1 2 0 4
0 1 1 0
1 0 2 4
_
_
_
La barra vertical solo nos ayuda a distinguir entre los coecientes del sistema que se encuentran
a la izquierda del signo = y las constantes que se encuentran a la derecha.
Con esta notacin, aplicamos el mtodo de Gauss:
_
_
_
1 2 0 4
0 1 1 0
1 0 2 4
_
_
_
E
31
(1)
_
_
_
1 2 0 4
0 1 1 0
0 2 2 0
_
_
_
E
32
(2)
_
_
_
1 2 0 4
0 1 1 0
0 0 0 0
_
_
_
La segunda la representa la ecuacin: y z = 0 y la primera representa: x + 2y = 4, de
donde el conjunto solucin es
(4 2z, z, z) : z R.
Una ventaja de esta notacin es que nos evita copiar muchas veces las variables y los signos.
Mtodo de solucin mediante el algoritmo de Gauss: Como sabemos, AX = B y c (A) X = EB
tienen las mismas soluciones, note que la matrices c (A) y EB aparcen al aplicar las operaciones
elementales que escalonan la matriz A entonces, si aplicamos el mtodo de Gauss para obtener la
escalonada de matriz ampliada del sistema (A, B) estaremos obteniendo la matriz (c (A) , EB).
EJEMPLO 1.5.4 Resolver el sistema
_
_
_
1 2 1
3 0 1
1 1 2
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
1
2
0
_
_
_
Formamos la matriz ampliada del sistema
(A, B) =
_
_
_
1 2 1 1
3 0 1 2
1 1 2 0
_
_
_
22
aplicamos el algoritmo de Gauss para obtener la escalonada
_
_
_
1 2 1 1
3 0 1 2
1 1 2 0
_
_
_
_
_
_
1 2 1 1
0 6 2 1
0 0 2
1
2
_
_
_
y ahora resolvemos el sistema
_
_
_
1 2 1
0 6 2
0 0 2
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
1
1
1
2
_
_
_
que tiene las mismas soluciones.
TEOREMA 1.5.1 Sea A M
mn
(R) y B M
m1
(R):
1. El sistema AX = B es compatible si y solo si (A) = (A, B)
2. Sea AX = B un sistema compatible.
a) Si (A) = (A, B) = n (nmero de incgnitas) entonces el sistema tiene solucin nica.
b) Si (A) = (A, B) < n, entonces el sistema tiene innitas soluciones.
OBSERVACIN: En lugar de aplicar el algoritmo de Gauss, podemos aplicar el algoritmo de Gauss-
Jordan (matriz escalonada reducida) para resolver un sistema equivalente ms simple.
Ejercicios propuestos
1. Usar el mtodo de Gauss -Jordan para resolver los sistemas:
a)
2x + 3y +z = 1
3x 2y 4z = 3
5x y z = 4
(La solucin nica es x = 1, y = 1, z = 2 )
b)
2x y + 3z = 4
3x + 2y z = 3
x + 3y 4z = 1
(Posee innitas soluciones : x =
11
7

5
7
z, y =
11
7
z
6
7
).
c)
x +y +z w = 2
2x +y +w = 5
3x +z +w = 1
3x + 2y +z = 3
(No hay solucin)
23
2. Usar el mtodo de Gauss para resolver:
a)
2x + 3y = 13
x y = 1
b)
x z = 0
3x + y = 1
x + y + z = 4
c)
2x + 2y = 5
x 4y = 0
d)
x + y = 1
x + y = 2
e)
x 3y + z = 1
x + y + 2z = 14
f )
x y = 1
3x 3y = 2
g)
4y + z = 20
2x 2y + z = 0
x + z = 5
x + y z = 10
3. Determine los valores de k R para los que el sistema
a) tiene solucin nica; b) tiene innitas soluciones ; c) no tiene solucin, si:
x y = 1
3x 3y = k
4. Qu condiciones deben cumplir las constantes b
i
para que cada sistema tenga solucin ni-
ca?
a)
x 3y = b
1
3x + y = b
2
x + 7y = b
3
2x + 4y = b
4
b)
x
1
+ 2x
2
+ 3x
3
= b
1
2x
1
+ 5x
2
+ 3x
3
= b
2
x
1
+ 8x
3
= b
3
5. Determine a, b, c R para que la grca de f(x) = ax
2
+ bx + c pase por los puntos
(1, 2), (1, 6) y (2, 3).
6. Pruebe que si ad bc ,= 0, entonces
ax + by = j
cx + dy = k
tiene solucin nica.
7. Dados 4 nmeros positivos, se sabe que al seleccionar tres cualesquiera de ellos, determinar
su promedio y sumarle el cuarto nmero, se obtienen los nmeros 29, 23, 21 y 17. Cules
son los nmeros originales?
24
8. a) Resuelva el sistema
ax + y = a
2
x + ay = 1
Para qu valores de a R tiene solucin vaca? e innitas soluciones?
b) Resuelva el sistema
ax + y = a
3
x + ay = 1
Para qu valores de a R tiene solucin vaca? e innitas soluciones?
9. Considere el sistema lineal denido en R:
x + ay + 3z = 2
x + (2a 1)y + 2z = 2
x + ay + (a + 4)z = 2a + 4
Determine a R para que el sistema tenga:
a) Innitas soluciones b) ninguna solucin c) una nica solucin
10. Considere el sistema lineal denido en R:
ax + y + z = 1
x + ay + z = 1
x + y + az = 2
Determine a R para que el sistema tenga:
a) Innitas soluciones b) ninguna solucin c) una nica solucin.
11. Dado el sistema:
x y + (4a
2
+ 1)z = b
y + (3 a)z = 0
2x y + (7 a)z = 2
donde a y b R,
hallar condiciones para a y b de tal manera que el sistema tenga:
a) Innitas soluciones b) ninguna solucin c) una nica solucin
12. Resuelva el sistema:
2
x

1
y
+ z = 1
1
x
+
3
y
2z = 0
4
x

3
y
+ z = 2
25
1.6. CLASE 6: Matriz Inversa y operaciones elementales
DEFINICIN 1.6.1 Sea A una matriz cuadrada de orden n. Se dice que A es invertible si existe una
matriz cuadrada de orden n, que denotaremos por A
1
tal que AA
1
= A
1
A = I
n
OBSERVACIN:
Si una matriz es invertible, tambin se suele decir que es no singular.
Si la inversa de una matriz existe, es nica.
No todas las matrices son invertibles. Por ejemplo, si consideramos las matrices
A =
_
1 3
1 1
_
B =
_
2 2
1 1
_
entonces A es invertible y B no lo es. (Vericar directamente suponiendo la existencia y
resolviendo ecuaciones)
PROPOSICIN 1.6.1 Sean A, B M(n, K) matrices no singulares (invertibles), entonces:
1. (AB)
1
= B
1
A
1
2.
_
A
1
_
1
= A
3.
_
A
T
_
1
=
_
A
1
_
T
4. (A)
1
=
1
A
1
, para todo ,= 0
5. (A
n
)
1
=
_
A
1
_
n
para todo entero no negativo n.
1.6.1. Mtodo de Gauss-Jordan para calcular la inversa de una matriz
No disponemos an de un criterio para decidir si una matriz es o no invertible. El siguiente
teorema nos provee un mtodo para calcular la matriz inversa (en caso de existir) de una matriz
cualquiera.
TEOREMA 1.6.1 Sea A una matriz cuadrada de orden n invertible. Si una sucesin de operaciones
elementales por las transforma la matriz A en la matriz identidad I
n
, entonces la misma sucesin
de operaciones elementales convierte la matriz I
n
en A
1
.
26
Vernica Gruenberg Stern 1.6. CLASE 6: MATRIZ INVERSA Y OPERACIONES ELEMENTALES
Dem. En efecto: si A es equivalente por las a la matriz I
n
, entonces existe una sucesin de
operaciones elementales que convierte a la matriz A en la matriz I
n
; esto quiere decir que existe
una sucesin de matrices elementales E
1
, E
2
, . . . , E
k
tales que E
k
E
k1
E
2
E
1
A = I
n
. Si anotamos
B = E
k
E
k1
E
2
E
1
, entonces BA = I
n
, es decir B = A
1
.
2
OBSERVACIN: En la prctica, el teorema anterior nos entrega un mtodo para calcular la inversa
de una matriz A: si A una matriz cuadrada de orden n , invertible, para calcular su inversa
procedemos como sigue:
Construmos una nueva matriz, denominada matriz aumentada, de la forma (A[ I
n
). Sobre esta
matriz aumentada (que tiene orden n 2n), realizamos operaciones elementales hasta obtener
en el lado izquierdo de esta matriz aumentada (es decir en el lado donde est la matriz A), la
matriz identidad; al conclur este proceso, en el lado derecho de la matriz aumentada (es decir
en el lado donde originalmente se encontraba la matriz identidad), aparece la inversa A
1
que
estamos buscando, es decir:
(A[ I
n
)
_
I
n
[ A
1
_
EJEMPLO 1.6.1 Calcule la inversa, en caso de existir, de la matriz A =
_
_
_
2 1 1
1 2 0
0 1 2
_
_
_
Dem.: Formamos la matriz aumentada
_
_
_
2 1 1 1 0 0
1 2 0 0 1 0
0 1 2 0 0 1
_
_
_
y calculamos mediante operaciones elementales:
_
_
_
2 1 1 1 0 0
1 2 0 0 1 0
0 1 2 0 0 1
_
_
_
E
12
_
_
_
1 2 0 0 1 0
2 1 1 1 0 0
0 1 2 0 0 1
_
_
_
E
21
(2)
_
_
_
1 2 0 0 1 0
0 3 1 1 2 0
0 1 2 0 0 1
_
_
_
E
32
_
_
_
1 2 0 0 1 0
0 1 2 0 0 1
0 3 1 1 2 0
_
_
_
E
32
(3)
_
_
_
1 2 0 0 1 0
0 1 2 0 0 1
0 0 5 1 2 3
_
_
_
E
3(
1
5
)
_
_
_
1 2 0 0 1 0
0 1 2 0 0 1
0 0 1
1
5
2
5
3
5
_
_
_
E
23
(2)
_
_
_
1 2 0 0 1 0
0 1 0
2
5

4
5

1
5
0 0 1
1
5
2
5
3
5
_
_
_
E
12
(2)
_
_
_
1 0 0
4
5

3
5

2
5
0 1 0
2
5

4
5

1
5
0 0 1
1
5
2
5
3
5
_
_
_
27
Se sigue que
A
1
=
_
_
_
4
5

3
5

2
5
2
5

4
5

1
5
1
5
2
5
3
5
_
_
_
Verique que AA
1
= A
1
A = I
3
.
TEOREMA 1.6.2 Una matriz cuadrada A de orden n es invertible si, y solo si, (A) = n.
1. Sean A, B, C M
n
(K) invertibles. Demuestre que:
a) ABC es invertible
b) (ABC)
1
= C
1
B
1
A
1
2. Suponga que A
3
= [0]. Muestre que I A es invertible.
3. a) Hallar matrices A y B invertibles, pero que A+B no lo sea.
b) Hallar matrices A y B no invertibles, y que A+B si lo sea.
4. Si B es la inversa de A
2
, probar que AB es la inversa de A.
5. Sean A, B matrices, A de orden p q y B de orden q p, con q < p.
a) Demostrar que AB es singular.
b) Muestre que BA puede ser no singular.
6. Hallar la matriz X en la ecuacin (AX
1
B)
t
= AB, donde
A =
_
_
_
1 1 1
0 1 2
3 1 0
_
_
_ y B =
_
_
_
0 0 1
1 2 0
1 1 0
_
_
_
7. Resolver X en la ecuacin: (AX
t
+B)
t
= XC D con A
t
C invertible.
8. Usando operaciones elementales calcular la inversa de
_
_
_
1 2 0
2 3 1
1 1 5
_
_
_
28
Vernica Gruenberg Stern 1.6. CLASE 6: MATRIZ INVERSA Y OPERACIONES ELEMENTALES
9. Calcular A
1
si
A =
_
_
_
_
_
_
_
_
6 2 1 0 5
2 1 1 2 1
1 1 2 2 3
3 0 2 3 1
1 1 3 4 2
_
_
_
_
_
_
_
_
10. Qu condiciones deben cumplir a y b de modo que A sea invertible?
A =
_
_
_
_
_
_
a 0 b 0
0 a 0 b
b 0 a 0
0 b 0 a
_
_
_
_
_
_
11. Sean E, F, T matrices cuadradas de orden n, tal que E es no singular, EF = FE y T
2
= F.
Demuestre que: (E
1
TE)
2
= F.
12. Una matriz A es ortogonal si y slo si A
t
= A
1
. Si A es una matriz ortogonal, demuestre
que A
1
es ortogonal y A
t
es ortogonal.
29
1.7. CLASE 7: Determinantes
n
(R).
Se llama menor de orden ij de A y se denota por M
ij
al determinante de orden n 1 obtenido
eliminando la i-sima la y la j-sima columna de la matriz A.
Se llama cofactor de orden ij de A, denotado por C
ij
, al nmero C
ij
= (1)
i+j
M
ij
EJEMPLO 1.7.1 Consideremos la matriz A =
_
_
_
2 4 1
0 3 2
5 1 6
_
_
_ Calcular M
13
, M
21
, C
13
y C
21
.
Solucin: Eliminemos la primera la y la tercera columna de A:
A =
_
_
_
2 4 1
0 3 2
5 1 6
_
_
_ y obtenemos el menor M
13
=
0 3
5 1
= 15
Si eliminamos la segunda la y la primera columna
A =
_
_
_
2 4 1
0 3 2
5 1 6
_
_
_ obtenemos el menor M
21
=
4 1
1 6
= 25
Calculemos los cofactores:
C
13
= (1)
1+3
M
13
= (1)
4
15 = 15, C
21
= (1)
2+1
M
21
= (1)
3
25 = 25
n
(R). El determinante de A es una funcin
det : M
n
(R) R
que a cada matriz A le asocia el nmero real que denotamos por det(A). Tambin se usa la nota-
cin det(A) = [A[.
La forma en la cual acta la funcin determinante en una matriz cuadrada de orden n es la
siguiente:
Para n = 1 : det(a) = a
Para n = 2 : det
_
a b
c d
_
= ad bc
30
Vernica Gruenberg Stern 1.7. CLASE 7: DETERMINANTES
Para n > 2 el determinante de A = (a
ij
) /
nn
(R) es el nmero real
det(A) =
_
_
n
i=1
(1)
i+j
a
ij
M
ij
=
n
i=1
a
ij
C
ij
, para 1 j n (con j jo)
n
j=1
(1)
i+j
a
ij
M
ij
=
n
j=1
a
ij
C
ij
, para 1 i n (con i jo)
EJEMPLO 1.7.2 Calculemos el determinante de la matriz A =
_
_
_
2 4 1
0 3 2
5 1 6
_
_
_
Fijemos una la i = 1, entonces
det(A) =
3
j=1
(1)
i+j
a
1j
M
1j
= a
11
M
11
a
12
M
12
+a
13
M
13
det(A) = 2
3 2
1 6
0 2
5 6
0 3
5 1
= 23
Si jamos una columna, por ejemplo j = 1, se tiene
det(A) =
3
i=1
(1)
i+j
a
i1
M
i1
= a
11
M
11
a
21
M
21
+a
31
M
31
det(A) = 2
3 2
1 6
4 1
1 6
4 1
3 2
= 23
1.7.1. Propiedades de los determinantes
PROPOSICIN 1.7.1 Sean A /
nn
(R) y B /
nn
(R)
1. det(A) = det(A
T
)
2. Si todos los elementos de una la o columna de una matriz son cero, entonces el valor del
determinante es cero.
3. det(I
n
) = 1
4. El determinante de una matriz diagonal o triangular es igual al producto de los elementos
de la diagonal.
31
5. Si R, entonces det(A) =
n
det(A)
6. det(AB) = det(A) det(B)
7. Si A tiene dos las( o columnas) iguales o proporcionales, entonces det(A) = 0.
8. Si se intercambian dos las (o columnas) en una matriz su determinante cambia de signo.
9. Si B se obtiene a partir de A multiplicando una la (o columna) de A por un nmero k,
entonces det(B) = k det(A).
10. Si B se obtiene a partir de A, sumando a una la (o columna) otra la (o columna) amplicada
por un factor k, entonces det(B) = det(A).
EJEMPLO 1.7.3 Sea A =
_
1 2
3 4
_
, entonces el det(A) = 2. Si la primera la de A se multiplica por
3, obtenemos B =
_
3 6
3 4
_
y det(B) = 6 = 3 det(A). Si la primera la de A la multiplicamos por
-3 y se la sumamos a la segunda la de A, obtenemos la matriz B =
_
1 2
0 2
_
y det(B) = 2 =
det(A).
EJEMPLO 1.7.4 Calculemos el siguiente determinante usando la propiedad 10
1 3 4
2 5 1
3 1 0
1 3 4
0 1 7
0 10 12
= 1 M
11
=
1 7
10 12
= 58
DEFINICIN 1.7.3 La adjunta de una matriz A, denotada por adj(A), es denida por
adj(A) = C
T
donde C = (C
ij
) es la matriz de cofactores. Es decir, la matriz adjunta es la traspuesta de la matriz
de los cofactores.
EJEMPLO 1.7.5 Sea A =
_
a b
c d
_
. La matriz de cofactores es C =
_
d c
b a
_
. Por lo tanto,
adj(A) =
_
d b
c a
_
32
Consideremos la matriz A =
_
_
_
2 3 1
4 0 5
2 1 1
_
_
_, la matriz de cofactores es C =
_
_
_
5 14 4
2 4 8
15 6 12
_
_
_. Por
lo tanto,
adj(A) =
_
_
_
5 2 15
14 4 6
4 8 12
_
_
_
TEOREMA 1.7.1
A adj(A) = det(A) I
n
y adj(A) A = det(A) I
n
Note que, s det(A) ,= 0, entonces A es no singular (invertible) y
A
1
=
1
det(A)
adj(A)
Adems, si A es no singular, entonces
1 = det(I
n
) = det(AA
1
) = det(A) det(A
1
) =det(A) ,= 0
y concluimos que
det(A
1
) =
1
det(A)
TEOREMA 1.7.2 Si A /
nn
(R), entonces A es no singular s y solo s det(A) ,= 0
EJERCICIOS: Calcular el determinante
a a a a
a b b b
a b c c
a b c d
Desarrollo:
a a a a
a b b b
a b c c
a b c d
a a a a
0 b a b a b a
0 b a c a c a
0 b a c a d a
= a (b a)
1 b a b a
1 c a c a
1 c a d a
= a (b a)
1 b a b a
0 c b c b
0 c b d b
= a (b a) (c b)
1 c b
1 d b
= a (b a) (c b) (d b (c b)) = a (b a) (c b) (d c)
33
EJERCICIOS: Resolver la ecuacin
x a b a b
c x b c b
c a x a c
= 0
x a b a b
c x b c b
c a x a c
x a b a +b b
c x c b
c x c x a c
x a +b b
x x c b
x x c x a c
= x
1 a +b b
1 x c b
1 x c x a c
= x
1 a +b b
0 x c a b 0
0 x c a b x a c b
= x
x c a b 0
x c a b x a c b
= x(x (a +b +c))
2
las soluciones son x = 0 y x = a +b +c.
EJERCICIOS: Muestre que
y
1
+z
1
z
1
+x
1
x
1
+y
1
y
2
+z
2
z
2
+x
2
x
2
+y
2
y
3
+z
3
z
3
+x
3
x
3
+y
3
= 2
x
1
y
1
z
1
x
2
y
2
z
2
x
3
y
3
z
3
Desarrollo:
y
1
+z
1
z
1
+x
1
x
1
+y
1
y
2
+z
2
z
2
+x
2
x
2
+y
2
y
3
+z
3
z
3
+x
3
x
3
+y
3
y
1
x
1
z
1
+x
1
x
1
+y
1
y
2
x
2
z
2
+x
2
x
2
+y
2
y
3
x
2
z
3
+x
3
x
3
+y
3
2y
1
z
1
+x
1
x
1
+y
1
2y
2
z
2
+x
2
x
2
+y
2
2y
3
z
3
+x
3
x
3
+y
3
=
2
y
1
z
1
+x
1
x
1
+y
1
y
2
z
2
+x
2
x
2
+y
2
y
3
z
3
+x
3
x
3
+y
3
= 2
y
1
z
1
+x
1
x
1
y
2
z
2
+x
2
x
2
y
3
z
3
+x
3
x
3
= 2
y
1
z
1
x
1
y
2
z
2
x
2
y
3
z
3
x
3
= 2
x
1
z
1
y
1
x
2
z
2
y
2
x
3
z
3
y
3
= 2
x
1
y
1
z
1
x
2
y
2
z
2
x
3
y
3
z
3
34
1.7.2. Regla de Cramer
Es un mtodo para resolver sistemas de ecuaciones, til en aspectos tericos, y en lo prctico,
til solo para sistemas cuadrados muy pequeos. Sea
a
11
x
1
+a
12
x
2
+. . . +a
1n
x
n
= b
1
a
21
x
1
+a
22
x
2
+. . . +a
2n
x
n
= b
2
.
.
.
.
.
.
a
n1
x
1
+a
n2
x
2
+. . . +a
nn
x
n
= b
n
un sistema lineal con n ecuaciones y n incgnitas. Resolver este sistema es equivalente a resolver
la ecuacin matricial AX = B, donde
A =
_
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
_
_
_
_
_
_
, X =
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
_
, B =
_
_
_
_
_
_
b
1
b
2
.
.
.
b
n
_
_
_
_
_
_
Si det(A) ,= 0, entonces el sistema tiene una nica solucin dada por:
x
1
=
[A
1
[
[A[
, x
2
=
[A
2
[
[A[
, x
3
=
[A
3
[
[A[
, . . . , x
n
=
[A
n
[
[A[
donde A
i
es la matriz obtenida a partir de A al reemplazar su i-sima columna por la matriz B.
La demostracin se basa en escribir
X = A
1
B =
1
det(A)
adj(A)B
e identicar los elementos de adj(A)B como los determinantes sealados.
EJEMPLO 1.7.6 Resolver el sistema
2x
1
+ 3x
2
x
3
= 1
x
1
+ 2x
2
x
3
= 4
2x
1
x
2
+x
3
= 3
_
_
_
2 3 1
1 2 1
2 1 1
_
_
_
_
_
_
x
1
x
2
x
3
_
_
_ =
_
_
_
1
4
3
_
_
_
Solucin: Como det(A) = 2, obtenemos:
x
1
=
1 3 1
4 2 1
3 1 1
[A[
=
4
2
= 2, x
2
=
2 1 1
1 4 1
2 3 1
[A[
=
6
2
= 3
35
CAPTULO 1. MATRICES
x
3
=
2 3 1
1 2 4
2 1 3
[A[
=
8
2
= 4
1.8. Ejercicios de Controles y Certmenes
1. Determinar si son verdaderas o falsas las siguientes proposiciones:
a) A /
nn
(C), n impar det(AA
t
) = 0.
b) A+A
t
es simtrica.
c) A /
22
(C) tal que A
2
+A = I
2
.
d) Si A =
_
_
_
1 0 0
0 a b
0 b a
_
_
_ , a ,= 0 b ,= 0 A
1
.
2. Determinar la relacin que deben cumplir a, b, c, d para que el siguiente sistema tenga inni-
tas soluciones:
x
1
+ax
2
+a
2
x
3
+a
3
x
4
= 0
x
1
+bx
2
+b
2
x
3
+b
3
x
4
= 0
x
1
+cx
2
+c
2
x
3
+c
3
x
4
= 0
x
1
+dx
2
+d
2
x
3
+d
3
x
4
= 0
3. Si A =
_
_
_
1 1 1
1 0 1
1 2 1
_
_
_ , B =
_
_
_
1 1 0
0 1 0
1 0 1
_
_
_, resolver (X
t
+B
t
)
t
= A
2
+BAB.
4. Sea A =
_
_
_
4 1 8
2 1 3
1 0 2
_
_
_. Sabiendo que A es invertible, determine A
1
usando operaciones
elementales.
5. Demuestre que si B es una matriz de orden 2 que conmuta con toda matriz A (de orden 2),
entonces B es de la forma
_
k 0
0 k
_
, para algn k R.
36
Vernica Gruenberg Stern 1.8. EJERCICIOS DE CONTROLES Y CERTMENES
6. Sea A =
_
_
_
_
_
_
1 2 3 4
0 2 3 4
0 3 4
0 0 4
_
_
_
_
_
_
a) Determine la relacin entre y para que exista A
1
.
b) Si = = 0, calcule A
1
.
7. Usando el mtodo de la matriz ampliada, determine los valores de Rtales que el sistema
1
2
x + y +
1
2
z = 2
4x + y + 4z = 5
3x y +

2
z = 1
_
_
tenga
a) innitas soluciones.
b) solucin nica.
c) solucin vaca.
8. Determine X (matriz) tal que (A
1
X A)
1
= A
2
, donde A =
_
_
_
3 2 1
4 1 1
2 0 1
_
_
_.
9. Sin usar la expansin de Laplace (ni en particular la regla mnemotcnica para determinantes
de matrices de 3 3) demuestre, usando slo propiedades, que
0 a b
a 0 c
b c 0
= 0 , a, b, c R
10. Dado el sistema de ecuaciones
x
1
+ 2x
2
+ 3x
3
+ 4x
4
= y
1
2x
1
+ x
2
+ 4x
3
+ x
4
= y
2
3x
1
+ 4x
2
+ x
3
+ 5x
4
= y
3
a) para qu valores de y
1
, y
2
, y
3
R el sistema tiene solucin?
b) para qu valores de y
1
, y
2
, y
3
R el sistema no tiene solucin?
c) Resuelva el sistema para y
1
= y
2
= y
3
= 1.
37
11. Sea A() =
_
_
_
1 0 0
0 cos sen
0 sen cos
_
_
_.
a) Determine el (los) valor (es) para tales que I
3
+A() no sea invertible.
b) Compruebe que (I
3
A(/2))(I
3
+A(/2))
1
=
_
_
_
0 0 0
0 0 1
0 1 0
_
_
_
12. Calcule el valor del determinante
3 1 1 1 1 1
3 1 1 1 1 1
3 1 1 1 1 1
3 1 1 1 1 1
3 1 1 1 1 1
3 1 1 1 1 1
38
Captulo 2
Vectores en R
n
2.1. CLASE 8: Vectores en el plano y en el espacio
A partir de la representacin de R como una recta numrica, los elementos o puntos del plano
(a, b) R R = R
2
se asocian con puntos de un plano denido por dos rectas perpendiculares,
cada una representando una recta real, que al mismo tiempo denen un sistema de coordenadas
rectangulares, donde la interseccn representa a (0, 0) y cada par ordenado (a, b) se asocia con un
punto de coordenada a en la recta horizontal (eje de las abcisas o eje X) y la coordenada b en la
recta vertical (eje de las ordenadas o eje Y).
Analgamente, los elementos (a, b, c) R R R = R
3
se asocian con puntos en el espacio
tridimensional denido con tres rectas mutuamente perpendiculares. Estas rectas forman los ejes
del sistema de coordenadas rectangulares (ejes X, Y y Z).
Los vectores se pueden representar mediante segmentos de recta dirigidos, o echas, en R
2
y
en R
3
. La direccin de la echa indica la direccin del vector y la longitud de la echa determina
su magnitud.
Denotaremos los vectores con letras minsculas con un echa arriba tales como

v ,

w,

z . Los
puntos se denotarn con letras maysculas tales como A, B, C. En el contexto de los vectores, los
nmeros reales sern llamados escalares y se denotarn con letras minsculas tales como , , .
Si el punto inicial de un vector

v es A y el punto nal es B, entonces

v =
AB. El vector nulo

se denota con

0 = (0, 0, . . . , 0) R
n
.
En lo que sigue y con el afn de generalizar, estudiaremos las propiedades de los vectores en
R
n
.
DEFINICIN 2.1.1 Un vector en R
n
es un n-tupla (x
1
, x
2
, . . . , x
n
) con cada x
i
R. A x
i
se le llama
componente i-sima del vector.
En R
3
utilizaremos la notacin especial

i = (1, 0, 0),

j = (0, 1, 0) y

k = (0, 0, 1) y les
llamaremos vectores cannicos.
39
CAPTULO 2. VECTORES EN R
n
2.1.1. Operaciones bsicas
DEFINICIN 2.1.2 (Igualdad de vectores) Dos vectores son iguales si tienen, en el mismo orden,
las mismas componentes. Es decir, si

v = (v
1
, v
2
, . . . , v
n
) y

w = (w
1
, w
2
, . . . , w
n
) entonces

v =

w si y solo si v
i
= w
i
i = 1, . . . n
DEFINICIN 2.1.3 (Suma de vectores) Sean

v = (v
1
, v
2
, . . . , v
n
) y

w = (w
1
, w
2
, . . . , w
n
) vectores
en R
n
. Se dene la suma de vectores como

v +

w = (v
1
+w
1
, v
2
+w
2
, . . . , v
n
+w
n
)
DEFINICIN 2.1.4 (Producto por escalar) Si

v = (v
1
, v
2
, . . . , v
n
) R
n
y k R entonces
k

v = (kv
1
, kv
2
, . . . , kv
n
)
OBSERVACIN: Si

v = (v
1
, v
2
, v
3
) R
3
entonces podemos escribir

v = v
1

i +v
2

j +v
3

k
OBSERVACIN: En clases, ver la interpretacin geomtrica de la suma y resta de vectores, y tam-
bin el signicado geomtrico de la multiplicacin por escalar.
PROPOSICIN 2.1.1 Sean

u ,

v ,

w R
n
vectores y , R. Entonces:
1. (

u +

v ) +

w =

u + (

v +

w) (propiedad asociativa)
2.

u +

0 =

u (existencia del neutro aditivo, que es el vector

0 )
3. (

v ) R
3
:

v + (

v ) =

0 (existencia del inverso aditivo)
4.

v +

w =

w +

v (propiedad conmutativa)
5. (

v +

w) =

v +

w (propiedad distributiva)
6. ( +)

v =

v +

v (propiedad distributiva)
7. (

v ) = ()

v
8. 0

v =

0
9. 1

v =

v
40
Vernica Gruenberg Stern 2.1. CLASE 8: VECTORES EN EL PLANO Y EN EL ESPACIO
2.1.2. Producto punto y norma
El producto punto (o producto escalar) es una operacin entre vectores cuyo resultado un escalar.
DEFINICIN 2.1.5 (Producto punto) Sean

v = (v
1
, v
2
, . . . , v
n
) y

w = (w
1
, w
2
, . . . , w
n
) vectores en
R
n
. El producto punto (o producto escalar) entre los vectores

v y

w, que denotamos por

v

w
o tambin

v ,

w se dene de la siguiente manera

v

w

v ,

w
n
i=1
v
i
w
i
EJEMPLOS:
1. Calcule (1, 7, 3) (5, 1, 2)
Solucin (1, 7, 3) (5, 1, 2) = 1 5 + 7 (1) + (3) 2 = 8
2. Determine R tal que (, 4) (, 9) = 0
Solucin (, 4) (, 9) = 0
2
13 = 0 =
13
TEOREMA 2.1.1 Sean

u ,

v ,

w R
n
vectores y R. Entonces:
1.

v

v 0
2.

v

0 = 0
3.

v

w =

w

v
4.

v (

w +

u ) =

v

w +

v

u
5. (

v )

w = (

v

w)
Dem.: Demostraremos solo la propiedad 1.:

v

v =
n
i=1
v
2
i
0 pues es suma de cuadrados.
Notar adems, que

v

v = 0

v =

0
41
n
2.1.3. Norma de un vector
DEFINICIN 2.1.6 Consideremos el vector

v = (v
1
, v
2
, . . . , v
n
) R
n
. La norma o magnitud de

v ,
denotada por |

v |, est dada por
|

v | =

v

v =
_
n
i=1
v
2
i
_
1/2
La distancia entre los vectores

v y

w en R
n
, denotada por d (

v ,

w) est denida por
d (

v ,

w) = |

v

w|
OBSERVACIN: En R
2
y R
3
la norma de un vector

v mide la magnitud del vector. Si consideramos
el punto A en el plano o en el espacio asociado al vector

v , su norma representa la distancia del
punto al origen. Note que al considerar la interpretacin geomtrica de la resta de vectores, la
expresin para distancia entre dos puntos es, de forma natural, la magnitud del vector resta.
Si n = 1, 2 o 3, la distancia as denida coincide con la distancia euclideana usual.
En efecto, si n = 1,

u = u R,

v = v R, por lo que la distancia
d(

u ,

v ) = d(u, v) =
_
(u v)
2
= [u v[
Si n = 2,

u = (u
1
, u
2
),

v = (v
1
, v
2
), entonces
d(

u ,

v ) = |

u

v | =
_
2
i=1
(u
i
v
i
)
2
=
_
(u
1
v
1
)
2
+ (u
2
v
2
)
2
Anlogamente en el caso en que n = 3.
PROPOSICIN 2.1.2 Consideremos los vectores

v ,

w R
n
y R. Entonces:
1. |

v | 0 y |

v | = 0

v =

0 .
De esta propiedad obtenemos que d (

v ,

w) 0, y adems d (

v ,

w) = 0

v =

w.
2. |

v | = [[ |

v |
3. |

v

w| = |

w

v | de donde d (

v ,

w) = d (

w,

v ).
4. |

v +

w| |

v | +|

w| (Desigualdad triangular)
5. [

v

w[ |

v | |

w| (Desigualdad de Cauchy-Schwartz)
42
Dem.: Demostraremos slo 4 y 5.
5. Sean

u ,

v R
n
. Luego, t R:
|t

u

v |
2
0, es decir:
(tu
1
v
1
)
2
+ (tu
2
v
2
)
2
+ + (tu
n
v
n
)
2
0
Reescribiendo esta relacin como una ecuacin cuadrtica en la variable t:
_
n
i=1
u
2
i
_
t
2
2
_
n
i=1
u
i
v
i
_
t +
_
n
i=1
v
2
i
_
0
Esto signica que el discriminante de la correspondiente ecuacin de segundo grado en t es
menor o igual a 0, es decir,
4
_
n
i=1
u
i
v
i
_
2
4
_
n
i=1
u
2
i
_ _
n
i=1
v
2
i
_
0
_
n
i=1
u
i
v
i
_
2
_
n
i=1
u
2
i
_ _
n
i=1
v
2
i
_
y extrayendo raz cuadrada a ambos lados de la desigualdad, obtenemos la desigualdad
pedida.
4.
|

u +

v |
2
= (

u +

v ) (

u +

v )
= |

u |
2
+ 2 (

u

v ) + |

v |
2
|

u |
2
+ 2 [

u

v [ + |

v |
2
|

u |
2
+ 2 |

u | |

v | + |

v |
2
(|

u | +|

v |)
2
Nuevamente, extrayendo raz cuadrada, obtenemos lo pedido.
DEFINICIN 2.1.7 Un vector se dice unitario si su norma es 1.
EJEMPLO 2.1.1 Si

v ,=

0 entonces

w =

v / |

v | es unitario. Tambin, notar que R :

v
= (cos , sen ) es unitario.

43
n
2.1.4. ngulo entre vectores
Considere

v y

w vectores en R
2
. Entonces,

v ,

w y

v

w forman un tringulo con lados de
magnitudes |

v | , |

w| y |

v

w| respectivamente. Por el teorema del coseno para tringulos, se
sigue que
|

v

w|
2
= |

v |
2
+|

w|
2
2 |

v | |

w| cos
Por otro lado
|

v

w|
2
= (

v

w) (

v

w)
= |

v |
2
+|

w|
2
2

v

w
Igualando ambas expresiones, obtenemos que

v

w = |

v | |

w| cos
En el caso general, si

v y

w vectores en R
n
entonces por la desigualdad de Cauchy-SchwarzS
1

v

w
|

v | |

w|
1
Luego, existe un nico [0, ] tal que
cos =

v

w
|

v | |

w|
DEFINICIN 2.1.8 Si

v y

w son vectores en R
n
no nulos, el ngulo entre

v y

w es el nico
[0, ] tal que

v

w = |

v | |

w| cos
Denotaremos tal ngulo por

v ,

w.
DEFINICIN 2.1.9 Sean

v y

w son vectores en R
n
no nulos. Diremos que:
1.

v y

w son perpendiculares u ortogonales si

v ,

w =

2
. Esto es equivalente a

v

w = 0
2.

v y

w son paralelos si

v ,

w = 0

v ,

w = . Esto es equivalente a

v =

w para algn
R.
44
2.1.5. Producto cruz en R
3
En esta seccin deniremos un producto vectorial que nos permite encontrar un vector que es
perpendicular a dos vectores dados del espacio, es decir, en R
3
.

u = (u
1
, u
2
, u
3
) y

v = (v
1
, v
2
, v
3
) vectores en R
3
. Denimos el producto
cruz entre

u y

v , que denotamos por

u

v como el vector

u

v = (u
2
v
3
u
3
v
2
)

i (u
1
v
3
u
3
v
1
)

j + (u
1
v
2
u
2
v
1
)

k
Recordemos que en R
3
:

i = (1, 0, 0),

j = (0, 1, 0) y

k = (0, 0, 1), entonces

u

v = ((u
2
v
3
u
3
v
2
) , (u
1
v
3
u
3
v
1
) , (u
1
v
2
u
2
v
1
))
OBSERVACIN: La denicin de producto cruz se puede recordar y trabajar como un determinante
de la siguiente manera:

u

v =

i

j

k
u
1
u
2
u
3
v
1
v
2
v
3
OBSERVACIN: El vector

u

v es perpendicular a

u y

v . Note que en dos dimensiones esto no
tiene sentido.
EJEMPLO 2.1.2 Sean

u = (1, 2, 1) y

u = (1, 0, 1). Calcular

u

v .
Solucin:

u

v =

i

j

k
1 2 1
1 0 1
=

i
2 1
0 1
1 1
1 1
+

k
1 2
1 0
= 2

i

j (0) +

k (2) = 2

i 2

k = (2, 0, 2)

u = (u
1
, u
2
, u
3
) ,

v = (v
1
, v
2
, v
3
) y

w = (w
1
, w
2
, w
3
) vectores en R
3
.
Entonces

u (

v

w) =
u
1
u
2
u
3
v
1
v
2
v
3
w
1
w
2
w
3
45
n
Dem.: En efecto: sabemos que

v

w =
_
v
2
v
3
w
2
w
3
v
1
v
3
w
1
w
3
v
1
v
2
w
1
w
2
_
y si

u = (u
1
, u
2
, u
3
) entonces

u (

v

w) = u
1
v
2
v
3
w
2
w
3
u
2
v
1
v
3
w
1
w
3
+u
3
v
1
v
2
w
1
w
2
u
1
u
2
u
3
v
1
v
2
v
3
w
1
w
2
w
3
(es el desarrollo del determinante por la primera la en cofactores).

Note adems que

u (

v

w) =
u
1
u
2
u
3
v
1
v
2
v
3
w
1
w
2
w
3
= (

u

v )

w
OBSERVACIN: Este producto entre 3 vectores en R
3
se conoce como producto mixto entre ellos.
TEOREMA 2.1.2 El producto vectorial o producto cruz cumple las siguientes propiedades:
1.

u R
3
:

u

u =

0
2.

u ,

v R
3
:

u (

u

v ) y

v (

u

v )
3.

u ,

v R
3
: (

u

v ) = (

v

u )
4.

u ,

v ,

w R
3
: (

u +

v )

w =

u

w +

v

w
5.

u ,

v ,

w R
3
:

u (

v +

w) =

u

v +

u

w
6.

u ,

v R
3
R : (

u

v ) = (

u )

v =

u (

v )
OBSERVACIN: Dejamos como ejercicio la demostracin de estas propiedades, para lo que reco-
mendamos utilizar las propiedades de los determinantes y la proposicin anterior.
46
EJEMPLO 2.1.3 Simplicar la expresin
[(

u +

v ) (2

u

v )]

u
Desarrollo: Por las propiedades recin enunciadas
(

u +

v ) (2

u

v )
= (

u +

v ) (2

u ) + (

u +

v ) (

v )
=

u (2

u ) +

v (2

u ) +

u (

v ) +

v (

v )
= 2 (

u

u ) + 2 (

v

u ) (

u

v ) (

v

v )
= 0 + 2 (

v

u ) (

u

v ) + 0
= 3 (

u

v )
Luego
[(

u +

v ) (2

u

v )]

u = (3 (

u

v ))

u = 0
TEOREMA 2.1.3 (Identidad de Lagrange) Para cada

v ,

w en R
3
se tiene
(

v

w)
2
+|

v

w|
2
= |

v |
2
|

w|
2
Dem.: Ejercicio.
Gracias a la identidad de Lagrange, podemos mostrar lo siguiente: como

v

w = |

v | |

w| cos
se sigue que
(|

v | |

w| cos )
2
+|

v

w|
2
= |

v |
2
|

w|
2
luego
|

v

w|
2
= |

v |
2
|

w|
2
|

v |
2
|

w|
2
cos
2
= |

v |
2
|

w|
2
_
1 cos
2
_
= |

v |
2
|

w|
2
sen
2
Esto nos lleva a la siguiente:


v y

w vectores en R
3
. Entonces
|

v

w| = |

v | |

w| [sen [
donde [0, ] es el ngulo que forman

v e

w.
47
n
EJERCICIOS:
1. Considere un paralelgramo determinado por dos vectores

u y

v en R
3
si

u ,

v =
entonces el rea del paralelgramo es A = |

u | |

v | sen = |

u

v |. Notar que de esta
forma se puede calcular el rea de un tringulo por
A =
|

u

v |
2
2. Considere un paralelepipedo en el espacio determinado por tres vectores no coplanares

u ,

v ,

w R
3
entonces el volmen del paraleleppedo esta dado por
V = [

w (

u

v )[ =
det
_
_
_
u
1
u
2
u
3
v
1
v
2
v
3
w
1
w
2
w
3
_
_
_
48
Vernica Gruenberg Stern 2.2. CLASE 9: GEOMETRA DEL PLANO Y EL ESPACIO
2.2. CLASE 9: Geometra del Plano y el Espacio
2.2.1. Proyecciones
Geomtricamente, lo que queremos es determinar el vector que se obtiene al proyectar ortogo-
nalmente el vector

u ,= 0 sobre el vector

w . Si denotamos a este vector con proy
w
entonces, para
algn t R, se debe cumplir
proy
w
= t

w

w (

u t

w) = 0
Entonces

w

u t |

w|
2
= 0 = t =

w

u
|

w|
2
Se sigue
proy
w
=
_

w

u
|

w|
2
_

w

u y

w son vectores en R
n
,

w ,=

0 . Se dene el vector proyeccin de

u
sobre

w como el vector
proy
w
=
_

w

u
|

w|
2
_

w
OBSERVACIN: El vector

u proy
w
se llama componente de

u ortogonal a

w.
EJEMPLO 2.2.1 Considere un tringulo en R
3
determinado por los vrtices en los puntos A, B, C.
Encuentre su rea.
Solucin: Sean

u = B A,

w = C A. Entonces, la altura del tringulo es
h =
_
_
_

u proy
w
_
_
_
de donde el rea pedida es
A =
1
2
|

w|
_
_
_

u proy
w
_
_
_
49
n
2.2.2. Rectas en el espacio
DEFINICIN 2.2.2 En R
3
, sea

p un punto dado y

d un vector no nulo. Denimos la recta que pasa
por

p y es paralela a

d (o tiene direccin

d ), como el conjunto de puntos
L =
_

p +

d : R
_
El vector

d se llama vector director de la recta L.
Escribamos la relacin que dene a una recta en el espacio, en trminos de coordenadas. Sea

p = (x
0
, y
0
, z
0
),

d = (d
1
, d
2
, d
3
). Un punto (x, y, z) pertenece a la recta si

x = (x, y, z) = (x
0
, y
0
, z
0
) +(d
1
, d
2
, d
3
) R
que es la ecuacin vectorial de la recta.
De esta ecuacin, podemos escribir:
x = x
0
+d
1
y = y
0
+d
2
z = z
0
+d
3
Esta forma de escribir la ecuacin de la recta se llama ecuacin paramtrica de la recta, o forma
paramtrica de la ecuacin, de parmetro .
Si en cada ecuacin anterior despejamos el parmetro obtenemos
=
x x
0
d
1
=
y y
0
d
2
=
z z
0
d
3
=
x x
0
d
1
=
y y
0
d
2
=
z z
0
d
3
Esta forma de presentar una recta en el espacio se conoce como las ecuaciones simtricas o ecua-
cin cartesiana de la recta.
OBSERVACIN:
1. Supongamos que una componente del vector director es igual a 0, digamos d
1
. Entonces, la
ecuacin simtrica queda de la forma:
x = x
0
,
y y
0
d
2
=
z z
0
d
3
50
2. Si conocemos dos puntos en el espacio, digamos

p
1
y

p
2
, la ecuacin de la recta que pasa por
ellos es
L : (x
1
, y
1
, z
1
) +t(x
1
x
2
, y
1
y
2
, z
1
z
2
), t R
La forma paramtrica de la ecuacin de la recta que pasa por estos dos puntos es:
x = x
1
+t(x
1
x
2
)
y = y
1
+t(y
1
y
2
)
z = z
1
+t(z
1
z
2
)
y la forma simtrica es:
x x
1
x
1
x
2
=
y y
1
y
1
y
2
=
z z
1
z
1
z
2
DEFINICIN 2.2.3 Dos rectas L
1
=

p
1
+t

d
1
, t R y L
2
=

p
2
+r

d
2
, r R son paralelas si sus
vectores directores son paralelos. Es decir,

d
1
= a

d
2
con a R y a ,= 0
2.2.3. Planos

p ,

u y

v vectores en el plano, tales que

u y

v no son paralelos. Enton-
ces, el conjunto R
3
es un plano si
=

p +

u +

v : , R
En trminos de coordenadas, si

p = (x
0
, y
0
, z
0
),

u = (u
1
, u
2
, u
3
),

v = (v
1
, v
2
, v
3
), entonces
x = x
0
+u
1
+v
1
y = y
0
+u
2
+v
2
z = z
0
+u
3
+v
3
Estas ecuaciones son las ecuaciones paramtricas del plano.
OBSERVACIN: Un plano en R
3
se puede determinar especicando un punto contenido en l y un
vector normal al plano, es decir, un vector perpendicular a l.
En efecto, dado el punto P = (x
0
, y
0
, z
0
) y el vector

n = (n
1
, n
2
, n
3
), un punto Q = (x, y, z)
si y solo si
PQ

n . Es decir
PQ

n = 0 (x x
0
, y y
0
, z z
0
) (n
1
, n
2
, n
3
) = 0
(x x
0
)n
1
+ (y y
0
)n
2
+ (z z
0
)n
3
= 0
n
1
x +n
2
y +n
3
z x
0
n
1
y
0
n
2
z
0
n
3
= 0
51
n
Por lo tanto, la ecuacin general de un plano es
ax +by +cz +d = 0
donde el vector (a, b, c) es normal al plano. Este vector se llama vector director o direccin del plano.
OBSERVACIN: Un plano puede ser determinado conociendo 3 puntos no colineales. En efecto,
sean P
1
, P
2
, P
3
los puntos. Formamos los vectores

P
1
P
2
y

P
1
P
3
. El vector

n =

P
1
P
2

P
1
P
3
es
perpendicular a
P
1
P
2
y a
P
1
P
3
. Luego,

n es normal al plano. Usamos cualquiera de los 3 puntos
P
i
y

n y obtenemos la ecuacin del plano.
EJEMPLO 2.2.2 Determine la ecuacin del plano que pasa por los puntos
P
1
= (2, 2, 1), P
2
= (1, 0, 3), P
3
= (5, 3, 4)
Solucin: Formemos los vectores
P
1
P
2
= P
2
P
1
= (3, 2, 2) y

P
1
P
3
= P
3
P
1
= (3, 1, 3)
Ahora, el vector normal

n =
P
1
P
2
P
1
P
3
= (8, 15, 3)
Por lo tanto, la ecuacin del plano es dada por:
(x 2, y + 2, z 1) (8, 15, 3) = 0 8x + 15y 3z + 17 = 0
TEOREMA 2.2.1 Dados dos planos
1
= a
1
x +b
1
y +c
1
z +d
1
= 0 y
2
= a
2
x +b
2
y +c
2
z +d
2
= 0
se tiene:
1.
1
|
2
a
1
= ka
2
, b
1
= kb
2
, c
1
= kc
2
con k R y k ,= 0
2.
1

2
(a
1
, b
1
, c
1
) (a
2
, b
2
, c
2
) = 0
3.
1
=
2
a
1
= ka
2
, b
1
= kb
2
, c
1
= kc
2
, d
1
= kd
2
con k R y k ,= 0.
TEOREMA 2.2.2 Consideremos la recta L =

p +

d y el plano = x +y +z + = 0. Se tiene
1. L | (, , )

d = 0
2. L

d | (, , ) = kd
1
, = kd
2
, = kd
3
, donde k ,= 0 y
(d
1
, d
2
, d
3
) =

d .
52
TEOREMA 2.2.3 (Distancia de un punto a una recta) Consideremos la recta L que pasa por el pun-
to P
0
= (x
0
, y
0
, z
0
) y tiene como vector director a

d . Sea P = (x, y, z) un punto que no pertenece a
L. La distancia de P a L est dada por:
d(P, L) =
[[

d
P
0
P[[
[[

d [[
TEOREMA 2.2.4 (Distancia de un punto a un plano) Dado un punto P
0
= (x
0
, y
0
, z
0
) y un plano
= ax +by +cz +d = 0; la distancia entre P
0
y est dada por:
d(P
0
, ) =
[ax
0
+by
0
+cz
0
+d[
a
2
+b
2
+c
2
TEOREMA 2.2.5 (Distancia entre rectas) Sea L
1
la recta que pasa por el punto P
1
y tiene direccin

d
1
. Sea L
2
la recta que pasa por el punto P
2
y tiene direccin

d
2
. La distancia (mnima) entre L
1
y
L
2
est dada por:
d
min
(L
1
, L
2
) =
[
P
1
P
2

n [
[[

n [[
, donde

n =

d
1

d
2
Ejercicios propuestos
1. Determine si las rectas
L
1
: x = 2t 3, y = 3t 2, z = 4t +6 y L
2
: x = r +5, y = 4r 1, z = r 4
se cortan.
Solucin. Si existe un punto P tal que P = L
1
L
2
, debe existir t
1
R y r
1
R tales que
2t
1
3 = r
1
+ 5, 3t
1
2 = 4r
1
1, 4t
1
+ 6 = r
1
4
La solucin de este sistema de 3 ecuaciones y dos incgnitas es:
t
1
= 3 y r
1
= 2
Reemplazamos el valor del parmetro t
1
en L
1
o reemplazamos el valor del parmetro r
1
en
L
2
, para obtener el punto donde se intersectan: P = (3, 7, 6).
2. Determinar la ecuacin de la recta que pasa por P(1, 4, 0) y es perpendicular a las rectas
L
1
:
_
_
x = 3 +t
y = 4 +t
z = 1 +t
, L
2
:
x + 4
6
=
2y 1
3
, z =
1
2
53
n
Solucin. Sea L : (1, 4, 0) +

d , con R, la recta buscada y sean

d
1
= (1, 1, 1) y

d
2
=
(4, 1, 0) los vectores directores de L
1
y L
2
respectivamente. Como
LL
1
LL
2
=

d

d
1

d

d
2
=

d //

d
1

d
2
= (1, 4, 3)
Por lo tanto, la ecuacin de la recta L es
L : (1, 4, 0) +(1, 4, 3), con R
3. Hallar la ecuacin del plano que pasa por (3, 1, 2) y es paralelo al plano 2x+4y3z+10 = 0
Solucin. El plano buscado tiene por ecuacin 2x + 4y 3z + d = 0. Para determinar d,
usamos que el punto (3, 1, 2) debe pertenecer al plano, entonces debe satisfacer la ecuacin
2(3) + 4(1) 3(2) +d = 0 =d = 4
Por lo tanto, el plano pedido es
2x + 4y 3z + 4 = 0
4. Hallar la ecuacin del plano determinado por el punto (1, 0, 2) y la recta L :
x + 3
3
=
y 5
3
=
z 1
1
Solucin. Vamos a escribir la recta como interseccin de 2 planos. Para esto, consideramos
las igualdades siguientes:
x + 3
3
=
y 5
3
y
y 5
3
=
z 1
1
De la primera igualdad, se tiene
x + 3
3
=
y 5
3
3x 9 = 3y 15 x +y 2 = 0
De la segunda igualdad , obtenemos
y 5
3
=
z 1
1
y 5 = 3z + 3 y + 3z 8 = 0
La ecuacin del haz de planos que tiene a L como eje del haz es:
(x +y 2) +(y + 3z 8) = 0
Necesitamos el plano de este haz que pasa por el punto dado (1, 0, 2). Para esto, reemplaza-
mos el punto en la ecuacin del haz, obteniendo
(1 + 0 2) +(0 + 3(2) 8) = 0 = =
1
2
54
El plano buscado es:
(x +y 2)
1
2
(y + 3z 8) = 0 2x +y 3z + 4 = 0
5. Considere
el punto A(1, 0, 1), el plano : 2x +y z 7 = 0 y la recta L : (1, 1, 0) +t(0, 1, 5)
a) Determine el punto B, que es la interseccin del plano con la recta que pasa por A y
es perpendicular a .
b) Determine el punto D, punto de interseccin de la recta L con el plano
c) Hallar un punto C L tal que el volumen del tetraedro de vrtices A, B, C, D sea 4.
Solucin. Denotemos por L
A
: (1, 0, 1) + r(2, 1, 1) la recta que pasa por A e intersecta
perpendicularmente a
a) Como B L
A
= B L
A
B = B = (1 + 2r, r, 1 r) y debe satisfacer la
ecuacin del plano, es decir,
2(1 + 2r) +r (1 r) 7 = 0 =r = 1 =B = (3, 1, 0)
b) Analogamente, si D L
=D = (1, 1 +t, 5t) y

2(1) + (1 +t) 5t 7 = 0 =t = 2 =D = (1, 1, 10)
c) Si C L =C = (1, 1 +t, 5t), entonces
BC = (4, t, 5t),

BD = (4, 2, 10),

BA = (2, 1, 1)
El volumen del tetraedro de vrtices A, B, C, D es dado por V =
1
6
[
BC

BD

BA[.
Como se quiere que el volumen sea 4, tenemos:
4 =
1
6
[(4, t, 5t) (4, 2, 10) (2, 1, 1)[
Calculemos
(4, t, 5t) (4, 2, 10) (2, 1, 1) =
4 t 5t
4 2 10
2 1 1
= 48 + 24t
Por lo tanto, 24 = [48 + 24t[, es decir, tenemos dos soluciones
24 = 48 + 24t =t = 1 24 = (48 + 24t) =t = 3
Luego, C
1
= (1, 0, 5), C
2
= (1, 2, 15).
55
n Vernica Gruenberg Stern
6. Hallar la ecuacin del plano que contiene a la recta L : x = 2y = 3z 1, sabiendo que
dicho plano est a una distancia de
2
7
unidades del origen.
Solucin. El haz de planos que contiene a la recta L tiene por ecuacin
(x 2y) +(x 3z + 1) = 0 x(1 +) 2y 3z + = 0
La distancia del origen (0,0,0) al haz de planos est dada por
d(O, haz) =
[[
_
(1 +)
2
+ (2)
2
+ (3)
2
Pero el plano pedido debe estar a
2
7
del origen, entonces
[[
_
(1 +)
2
+ (2)
2
+ (3)
2
=
2
7
Esta ecuacin cuadrtica tiene 2 soluciones:
= 2 =
10
9
Por lo tanto, tenemos 2 soluciones
1
: (x 2y) + 2(x 3z + 1) = 0 3x 2y 6z + 12 = 0
y
2
: (x 2y)
10
9
(x 3z + 1) = 0 x + 18y 30z + 10 = 0
7. Hallar la distancia mnima entre las rectas
L
1
: (1, 1, 4) +t(0, 1, 3) y L
2
: x = 4 +, y = 5, z = 3 + 2
Solucin. El vector director de L
1
es

d
1
= (0, 1, 3) y el vector director de L
2
es

d
2
= (1, 0, 2).
Entonces

n =

d
1

d
2
= (2, 3 1)
Ahora, sea P
1
= (1, 1, 4) y P
2
= (4, 5, 3), entonces
P
1
P
2
= P
2
P
1
= (3, 4, 7)
Reemplazando en la frmula, obtenemos
d
min
(L
1
, L
2
) =
[
P
1
P
2

n [
[[

n [[
=
[(3, 4, 7) (2, 3 1)[
[[(2, 3 1)[[
=
1
14
56
1. Demuestre o refute:
a) Si a = (2, 0, 1) y c = (1, 1, 1), entonces existe
b R
3
tal que a
b =c.
b) Sean a,
b R
3
. Entonces
a
b =
0 a
b =
0 = a =
0

b =
0
c) Sean a,
b y p los vectores posicin de A, B y P, respectivamente. Si p = 3a 2
b,
entonces P divide a AB en la razn 3 : (2).
2. Sean (3, 7, 5), B = (3, 4, 8) y C = (4, 4, 5).
a) Demostrar que el ABC es issceles.
b) Determinar la ecuacin de la recta que contiene a la altura h.
c) Calcular el BAC.
3.
57
n
58
Captulo 3
Espacios Vectoriales
3.1. CLASE 10: Espacios Vectoriales
DEFINICIN 3.1.1 Sea V un conjunto no vaco y sea Kun cuerpo (los cuerpos que consideraremos
en este curso sern R C). Supongamos que en V se han denido dos operaciones, que llamaremos
adicin y producto por escalar, del siguiente modo:
I. La adicin toma dos elementos de V , llamsmoslos u y v, y mediante la operacin los lleva a un
elemento w V con w = u +v.
II. El producto por escalar toma un elemento del cuerpo Ky un u V , y mediante la operacin
los lleva a un elemento w V con w = u
Diremos que (V, +, ) es un espacio vectorial sobre K( un K- espacio vectorial) si y solamente
si las operaciones satisfacen las siguientes propiedades:
1. u, v V : u +v = v +u
2. u, v, w V : u + (v +w) = (u +v) +w
3. 0
V
V : u + 0
V
= u, u V
4. u V, (u) V : u + (u) = 0
V
5. u, v V, K : (u +v) = u + v
6. u V, , K : ( +) u = u + u
7. u V, , K : () u = ( u)
8. u V : 1 u = u
Los elementos de V se llaman vectores y los del cuerpo K se llaman escalares.
59
CAPTULO 3. ESPACIOS VECTORIALES Vernica Gruenberg Stern
EJEMPLOS:
1. (R
2
, +, ) es un espacio vectorial sobre R, con las siguientes operaciones: Si u, v R
2
, con
u = (u
1
, u
2
), v = (v
1
, v
2
) y R, denimos
u +v = (u
1
+v
1
, u
2
+v
2
) y u = (u
1
, u
2
)
Este espacio vectorial se identica, geomtricamente, con el plano cartesiano, y sus elementos
son los vectores en (R
2
, +, ).
2. (R
3
, +, ) es un espacio vectorial sobre R, con las siguientes operaciones: si u, v R
3
, con
u = (u
1
, u
2
, u
3
), v = (v
1
, v
2
, v
3
) y R, denimos
u +v = (u
1
+v
1
, u
2
+v
2
, u
3
+v
3
) y u = (u
1
, u
2
, u
3
)
Este espacio vectorial se identica, geomtricamente, con el espacio cartesiano, y sus elemen-
tos son los vectores en (R
3
, +, ).
3. La generalizacin (R
n
, +, ) es un espacio vectorial sobre R, con las siguientes operaciones:
Si u, v R
n
, con u = (u
1
, u
2
, . . . , u
n
), v = (v
1
, v
2
, . . . , v
n
) y R, denimos
u +v = (u
1
+v
1
, u
2
+v
2
, . . . , u
n
+v
n
)
y
u = (u
1
, u
2
, . . . , u
n
)
4. (C
2
, +, ) es un espacio vectorial sobre C, con las siguientes operaciones: Si u, v C
2
, con
u = (u
1
, u
2
), v = (v
1
, v
2
) y C, denimos
u +v = (u
1
+v
1
, u
2
+v
2
) y u = (u
1
, u
2
)
Debe tenerse presente que, en este caso, todos los nmeros involucrados son nmeros com-
plejos, por lo cual las operaciones mencionadas son entre elementos en C.
5. (C
3
, +, ) es un espacio vectorial sobre C, con las siguientes operaciones: Si u, v C
3
, con
u = (u
1
, u
2
, u
3
), v = (v
1
, v
2
, v
3
) y C denimos
u +v = (u
1
+v
1
, u
2
+v
2
, u
3
+v
3
) y u = (u
1
, u
2
, u
3
)
Anlogamente, las operaciones se realizan entre nmeros complejos.
6. La generalizacin (C
n
, +, ) es un espacio vectorial sobre C, con las siguientes operaciones: Si
u, v C
n
, con u = (u
1
, u
2
, . . . , u
n
), v = (v
1
, v
2
, . . . , v
n
) y C denimos
u +v = (u
1
+v
1
, u
2
+v
2
, . . . , u
n
+v
n
)
y
u = (u
1
, u
2
, . . . , u
n
)
60
Vernica Gruenberg Stern 3.1. CLASE 10: ESPACIOS VECTORIALES
7. Casos particulares:
Si n = 1, en el ejemplo 3. vemos que (R, +, ) es un espacio vectorial sobre R y si n = 1, en el
ejemplo 6. vemos que (C, +, ) es un espacio vectorial sobre C. De esta forma, notamos que
tanto R como C tienen estructura de cuerpo y de espacio vectorial sobre si mismos.
8. Consideremos el conjunto
R
n
[x] = p(x) = a
0
+a
1
x +a
2
x
2
+. . . +a
n
x
n
, a
i
R, i = 0, . . . , n
es decir, R
n
[x] es el conjunto de los polinomios con coecientes reales en una variable real de
grado menor o igual a n (incluyendo al polinomio nulo). (R
n
[x], +, ) es un espacio vectorial
sobre R con la adicin y el producto por escalar habitual de polinomios, vale decir, si
p (x) = a
0
+a
1
x +a
2
x
2
+. . . +a
n
x
n
y q (x) = b
0
+b
1
x +b
2
x
2
+. . . +b
n
x
n
, entonces
(p +q)(x) = p(x) +q(x) = (a
0
+b
0
) + (a
1
+b
1
)x + (a
2
+b
2
)x
2
+. . . + (a
n
+b
n
)x
n
(p)(x) = p(x) = a
0
+a
1
x +a
2
x
2
+. . . +a
n
x
n
, R
9. Consideremos el conjunto de las funciones a valores reales T = f : A R R premunido
de la adicin usual de funciones y del producto por escalar usual:
(f +g)(x) = f(x) +g(x) y ( f)(x) = (f(x)) f, g T, x A, R.
Con estas operaciones, (T, +, ) es un espacio vectorial sobre R.
10. El espacio de las funciones continuas denidas en un intervalo [a, b], que denotamos por
(C[a, b], +, ) con las operaciones recin denidas para las funciones, es un espacio vectorial
sobre R.
11. El espacio de las funciones n veces derivables (funciones de clase C
n
) denidas en un inter-
valo ]a, b[, que denotamos por (C
n
(]a, b[) , +, ) con las mismas operaciones anteriores, es un
espacio vectorial sobre R.
12. Consideremos el conjunto de las matrices de orden mn con entradas reales, que denotare-
mos /
mn
(R). Recordemos que si A, B /
mn
(R), denimos la suma de matrices:
A+B = (a
ij
)
mn
+ (b
ij
)
mn
= (a
ij
+b
ij
)
mn
El producto por escalar queda denido por:
A = (a
ij
)
mn
= ( a
ij
)
mn
De esta manera, (/
mn
(R), +, ) es un espacio vectorial sobre R.
61
13. Anlogamente, las matrices con entradas complejas (/
mn
(C), +, ) con las operaciones
anlogas a las descritas arriba, forman un espacio vectorial sobre C.
14. El conjunto de todos los polinomios de grado menor o igual a n con coecientes complejos,
es decir C
n
[x] = p(x) = a
0
+ a
1
x + a
2
x
2
+ . . . + a
n
x
n
, a
i
C, n N, dotado de la
suma y el producto habitual de polinomios, es un espacio vectorial sobre C.
EJERCICIOS:
1. Sea V un Kespacio vectorial y sea X un conjunto. Sea T (X, V ) el conjunto de todas las
funciones de X es V. Dotamos a T (X, V ) de las operaciones usuales para funciones, adicin
y producto por escalar, denidas por:
(f +g) (x) = f (x) +g (x)
( f) (x) = f (x)
Muestre que (T (X, V ) , +, ) es un espacio vectorial sobre K.
2. Determine si (R, +, ) es un espacio vectorial sobre C. Justique.
3. Determine si (C, +, ) es un espacio vectorial sobre R. Justique.
4. Determine si (M
mn
(R), +, ) es un espacio vectorial sobre C. Justique.
5. Determine si (M
mn
(C), +, ) es un espacio vectorial sobre R. Justique.
6. En R
+
= x R : x > 0, se denen las siguientes operaciones:
x y = xy, x = x
, x, y R
+
, R.
Es (R
+
, , ) un espacio vectorial sobre R?
7. Determine para cada uno de los siguientes casos si el conjunto dado es o no un R-espacio
vectorial. En caso negativo, liste los axiomas que no se cumplen.
a) A = (x, y) R
2
: y 0, con la suma y producto por escalar habitual.
b) B = R
2
, con el producto por escalar usual pero la suma denida por
(x
1
, y
1
) (x
2
, y
2
) = (x
1
+x
2
+ 1, y
1
+y
2
+ 1)
c) C = (a
ij
) /
22
(R) : a
11
= a
22
= 0, con la suma y producto por escalar
habitual en /
22
(R).
62
Vernica Gruenberg Stern 3.1. CLASE 10: ESPACIOS VECTORIALES
PROPOSICIN 3.1.1 Sea V un K-espacio vectorial. Entonces:
1. El neutro aditivo 0
V
es nico.
2. Para cada v V el inverso aditivo (v) es nico.
3. La ley de cancelacin es vlida para la adicin de vectores.
4. v V : 0 v = 0
V
5. K v V : () v = (v)
Dem.:
1. Supongamos que no es nico, es decir, que existen al menos dos neutros para la adicin
0
V
, 0
V
V . Entonces:
0
V
+ 0
V
= 0
V
pues 0
V
es neutro.
0
V
+ 0
V
= 0
V
pues 0
V
es neutro.
_
Como 0
V
+ 0
V
= 0
V
+ 0
V
0
V
= 0
V
.
2. Anlogamente al caso anterior, suponga que el inverso aditivo no es nico. Dejamos la de-
mostracin como ejercicio.
3. Debemos probar que si u
1
, u
2
, v V : u
1
+v = u
2
+v u
1
= u
2
Suponemos u
1
, u
2
, v V : u
1
+ v = u
2
+ v. Como v V se tiene que v V .
Sumando a ambos lados de la ecuacin:
(u
1
+v) + (v) = (u
2
+v) + (v) u
1
+ (v + (v)) = u
2
+ (v + (v)) u
1
= u
2
4. Calculamos 0 v = (0 + 0) v = 0 v + 0 v. Aplicamos 3. y tenemos 0 v = 0
V
.
5. Notamos que 0
V
= 0 v = ( + ()) v = v + () v.
Por lo tanto, el inverso aditivo de v es () v. Pero, el inverso aditivo de v es
( v). Por la unicidad del inverso: () v = ( v).
63
3.2. CLASE 11: Subespacios Vectoriales
DEFINICIN 3.2.1 Sea (V, +, ) un espacio vectorial sobre un cuerpo K, S V, S ,= . Se dice que
S es un subespacio vectorial de V si (S, +, ) es un espacio vectorial sobre K.
Notacin: Si (S, +, ) es un subespacio vectorial de (V, +, ), escribimos S V .
OBSERVACIN: La denicin anterior no permite averiguar, de manera simple, si un determinado
subconjunto es o no subespacio de un espacio vectorial dado. Ms precisamente, la denicin an-
terior nos obliga a vericar, todas las propiedades que deben satisfacer las operaciones que denen
a un espacio vectorial. El siguiente teorema nos brinda un mtodo sencillo para este efecto.
TEOREMA 3.2.1 Sea (V, +, ) un espacio vectorial sobre el cuerpo K y sea S V, S ,= . (S, +, )
es un subespacio vectorial de (V, +, ) si y solo si se satisfacen las siguientes dos condiciones:
1. Si u, v S entonces u +v S.
2. Si K, u S entonces u S.
Dem.: Probaremos algunas propiedades.
Veamos que si se satisfacen las propiedades anteriores entonces 0
V
S:
si = 0 en 2., entonces u = 0 u = 0
V
Veamos ahora que si se satisfacen las propiedades anteriores entonces u S:
si = 1 en 2., entonces u = 1 u = u S
Como S V , es fcil vericar que las dems propiedades se satisface, pues (V, +, ) es un
espacio vectorial sobre K.
COROLARIO 3.2.1 Sea (V, +, ) un espacio vectorial sobre el cuerpo Ky sea S V, S ,= . (S, +, )
es un subespacio vectorial de (V, +, ) si y solo si
u, v S K : u +v S
Dem.: Veamos algunas propiedades:
0
V
S : basta considerar u = v = 1.
Sea u S. Como 0
V
S, basta considerar v = 0
V
= 1. Entonces, u S.
64
Vernica Gruenberg Stern 3.2. CLASE 11: SUBESPACIOS VECTORIALES
OBSERVACIN:
1. Si S V entonces 0
V
S.
2. En adelante, cuando el cuerpo sobre el cual estamos trabajando y las operaciones conside-
radas estn claramente subentendidas, escribiremos V en lugar de (V, +, ) para un espacio
vectorial sobre K.
3. Todo espacio vectorial tiene, de manera natural, dos subespacios vectoriales, llamados subes-
pacios vectoriales triviales del espacio vectorial V . Estos son: el mismo espacio vectorial V ,
vale decir, V V y el espacio vectorial nulo, vale decir el espacio vectorial cuyo nico ele-
mento es el neutro aditivo de V : 0
V
V .
EJEMPLOS:
1. Considere W = (x, y) R
2
: y = 0. Probemos que W es un subespacio vectorial de R
2
.
Para ello, debemos vericar:
a) W ,= , lo cual es cierto pues (0, 0) W.
b) (x, y), (u, v) W (x, y) + (u, v) W.
En efecto: (x, y), (u, v) W y = 0 v = 0. Por lo tanto, (x, y)+(u, v) = (x, 0)+(u, 0) =
(x + u, 0). Es decir, la segunda componente de la suma de dos vectores en W da como
resultado un vector que tambin pertenece a W.
c) R, (x, y) W (x, y) W.
En efecto: (x, y) W y = 0. Por lo tanto, (x, y) = (x, 0) = (x, 0) W.
Como las tres condiciones se satisfacen, hemos probado que W R
2
.
2. Considere W = (x
1
, x
2
, , x
n
) R
n
: x
n
= 0. Probemos que W es un subespacio
vectorial de R
n
. Para ello, debemos vericar:
a) W ,= , lo cual es cierto pues (0, 0, , 0) W.
b) (x
1
, x
2
, , x
n
), (u
1
, u
2
, , u
n
) W (x
1
, x
2
, , x
n
) + (u
1
, u
2
, , u
n
) W.
En efecto: (x
1
, x
2
, , x
n
), (u
1
, u
2
, , u
n
) W x
n
= 0 u
n
= 0. Por lo tanto,
(x
1
, x
2
, , x
n
) + (u
1
, u
2
, , u
n
) = (x
1
, x
2
, , 0) + (u
1
, u
2
, , 0) = (x
1
+ u
1
, x
2
+
u
2
, , 0). Es decir, la nsima componente de la suma de dos vectores en W da como
resultado un vector que tambin pertenece a W.
c) R, (x
1
, x
2
, , x
n
) W (x
1
, x
2
, , x
n
) W.
En efecto: (x
1
, x
2
, , x
n
) W x
n
= 0. Por lo tanto, (x
1
, x
2
, , x
n
) =
(x
1
, x
2
, , 0) = (x
1
, x
2
, , 0) W.
65
Como las tres condiciones se satisfacen, hemos probado que W R
n
.
3. Sea (1, 2) R
2
y consideremos W = (x, y) R
2
: (x, y) = (1, 2), R. Probemos
que W es un subespacio vectorial de R
2
.
a) W ,= , lo cual es cierto pues (0, 0) = 0 (1, 2) W.
b) Debemos probar ahora que (x
1
, x
2
), (u
1
, u
2
) W (x
1
, x
2
) + (u
1
, u
2
) W.
En efecto: (x
1
, x
2
), (u
1
, u
2
) W , R : (x
1
, x
2
) = (1, 2),
(u
1
, u
2
) = (1, 2). Por lo tanto, (x
1
, x
2
) +(u
1
, u
2
) = (1, 2) + (1, 2) = (+)
(1, 2) W, pues + R.
c) Probemos ahora que R, (x
1
, x
2
) W (x
1
, x
2
) W.
En efecto: (x
1
, x
2
) W (x
1
, x
2
) = ( (1, 2)) = () (1, 2) W, pues
R.
Grcamente, este espacio vectorial se representa por una recta en el plano, en la misma
direccin que el vector (1, 2).
4. Como en el ejemplo anterior, sea V un espacio vectorial real, y sea u
0
V, con
u
0
,= 0
V
. Consideremos W = v V : v = u
0
, R. Probemos que W es un
subespacio vectorial de V .
a) W ,= , lo cual es cierto pues tomando 0 R, 0 u
0
= 0
V
W.
b) Probemos que v
1
, v
2
W v
1
+ v
2
V. En efecto: v
1
, v
2
V , R :
v
1
+v
2
= u
0
+ u
0
= ( +) u
0
V
c) Probemos ahora que R, v W v W. En efecto: v W v = u
0
=
() u
0
W.
Debido a la analoga con el ejemplo anterior (4.-), este espacio vectorial recin descrito se
denomina recta vectorial, con direccin u
0
.
5. Sea E = (x, y, z) R
3
: 2x +y = 0. Probemos que E R
3
.
a) E ,= , lo cual es cierto pues (0, 0, 0) E.
b) Probemos que:
(x, y, z), (u, v, w) E (x, y, z) + (u, v, w) = (x + u, y + v, z + w) E. Este ltimo
vector pertenece a E 2(x + u) + y + v = 0, condicin que se cumple pues
como (x, y, z), (u, v, w) E 2x +y = 2u +v = 0 de donde 2x +y + 2u +v =
2(x +u) +y +v = 0. Luego, la suma de los vectores pertenece a E.
c) Anlogamente para el producto por escalar.
66
Vernica Gruenberg Stern 3.2. CLASE 11: SUBESPACIOS VECTORIALES
6. Sea S =
__
a b
c d
_
/
22
(R) : a = b y c = d
_
entonces S /
22
(R)
PROPOSICIN 3.2.1 Sea V un espacio vectorial sobre un cuerpo K, W
1
, W
2
V . Luego:
1. W
1
W
2
V.
2. W
1
+W
2
V, donde el conjunto suma de W
1
+W
2
se dene como:
W
1
+W
2
= u +v : u W
1
, v W
2
Dem.:
1. Como W
1
, W
2
V , tenemos que 0
V
W
1
0
V
W
2
0
V
W
1
W
2
Sean w
1
, w
2
W
1
W
2
. Entonces w
1
, w
2
W
1
w
1
, w
2
W
2
.
Como W
1
, W
2
V , tenemos que w
1
+w
2
W
1
w
1
+w
2
W
2
. Luego:
w
1
+w
2
W
1
W
2
Sea w W
1
W
2
y K. Entonces w W
1
w W
2
Como W
1
, W
2
V : ( w W
1
w W
2
) w W
1
W
2
.
2. Como W
1
, W
2
V : 0
V
W
1
0
V
W
2
0
V
= 0
V
+ 0
V
W
1
+W
2
Sean u
1
, u
2
W
1
+W
2
. Entonces
u
1
= v
1
+v
2
, v
1
W
1
, v
2
W
2
u
2
= v
1
+v
2
, v
1
W
1
, v
2
W
2
Por lo tanto: u
1
+u
2
= v
1
+v
2
+v
1
+v
2
= v
1
+v
1
. .
W
1
+v
2
+v
2
. .
W
2
u
1
+u
2
W
1
+W
2
.
Sea w W
1
+W
2
y K. Entonces w = u
1
+u
2
, u
1
W
1
, u
2
W
2
.
w = (u
1
+u
2
) = u
1
. .
W
1
+ u
2
. .
W
2
w W
1
+W
2
OBSERVACIN:
1. Si W
1
, W
2
V y W
1
W
2
= 0
V
entonces el subespacio suma W
1
+W
2
se llama suma
directa y se escribe W
1
W
2
.
67
2. La unin de subespacios no es necesariamente un subespacio vectorial. Considere, por ejem-
plo, V
1
=
_
(x, y) R
2
: x = 0
_
y V
2
=
_
(x, y) R
2
: y = 0
_
.
Entonces, V
1
V
2
=
_
(x, y) R
2
: x = 0 y = 0
_
Los elementos (1,0) y (0,1) pertenecen a V
1
V
2
, sin embargo (1, 0) +(0, 1) = (1, 1) , V
1
V
2
,
ya que no se cumple la condicin que una de las componentes sea igual a 0.
EJERCICIOS:
1. En los siguientes, determine si el subconjunto dado W del espacio vectorial V es o no subes-
pacio de V .
a) V = R
2
, W = (x, y) R
2
: y 0
b) V = R
3
, W = (x, y, z) R
3
: x + 2y = 0
c) V = R
3
, W = (x, y, z) R
3
: x +y = 1, z = 0
d) V = /
nn
(R), W = D /
nn
(R) : D es diagonal
e) V = /
22
(R), W =
__
a b
0 a +b
_
/
22
(R) : a, b R
_
f ) V = /
32
(R), W =
_
_
_
_
_
a a
b b
c c
_
_
_ /
32
(R) : a, b, c R
_
_
g) V = R
4
[x], W = p(x) R
4
[x] : p(0) = p
(0) p(1) = p
(1).
h) V = C[0, 1], W = f C[0, 1] : f(0) = f(1) = 0
i) V = C[0, 1], W = f C[0, 1] : f(0) = 2
2. Sea S = A M
nn
: A
t
= A. Probar que S M
nn
.
3. Sea T = A M
nn
: A
t
= A. Probar que T M
nn
.
4. Muestre que S T = M
nn
(R), donde S y T son los subespacios de los ejercicios anterio-
res.
5. Pruebe que n m C
n
[a, b] C
m
[a, b].
6. Considere los subespacios vectoriales de R
3
:
E = (x, y, 0) : x, y R, F = (0, 0, z) : z R, G = (0, y, z) : y, z R.
Determine: E F, E G, GF, E +F, E +G, G+F. Haga una descripcin geomtrica y
dibuje cada uno de estos subespacios.
68
Vernica Gruenberg Stern 3.3. CLASE 12: ESPACIO GENERADO. INDEPENDENCIA LINEAL
3.3. CLASE 12: Espacio Generado. Independencia lineal
1
,
2
, ,
n
K y sean u
1
, u
2
, , u
n
V , donde V es un espacio
vectorial real. La expresin
n
i=1
i
u
i
es una combinacin lineal de los vectores u
1
, u
2
, , u
n
.
OBSERVACIN: 0
V
es combinacin lineal de cualquier conjunto de vectores.
EJEMPLO 3.3.1 En R
3
, el vector (0, 2, 3) es una combinacin lineal de los vectores (1, 0, 0), (1, 1, 0)
y (1, 1, 1). Para probarlo, escribimos
(0, 2, 3) = (1, 0, 0) + (1, 1, 0) + (1, 1, 1)
Luego, debemos encontrar , , R:
0 = + +
2 = +
3 =
Resolviendo, determinamos que = 3, = 5, = 2.
Notar que (0, 2, 3) no es combinacin lineal de los vectores (1, 1, 0), (1, 1, 1), pues, usando el
mismo razonamiento, si (0, 2, 3) = (1, 1, 0) + (1, 1, 1) entonces
0 = +
2 = +
3 =
lo cual es obviamente contradictorio.
EJERCICIOS:
1. Considere los vectores u = (2, 1, 2), v = (1, 1, 1) R
3
. Escriba, si es posible, los vectores
a = (4, 5, 8) y b = (4, 1, 5) como combinacin lineal de u y v. Determine los valores de
x para los cuales el vector (x, 4, 7) es una combinacin lineal de u y v.
2. Dados u
1
= (1, 2, , 1), u
2
= (, 1, 2, 3), u
3
= (0, 1, , 0) R
4
, determine los valores de y
en R para que uno de los vectores sea combinacin lineal de los otros dos.
3. Decidir si p (t) = t
2
t + 1 es combinacin lineal de p
1
(t) = (t 1)
2
y p
2
(t) = t.
4. Decidir si
_
1 2
1 0
_
es combinacin lineal de
_
0 1
1 1
_
y
_
1 1
1 0
_
.
69
DEFINICIN 3.3.2 Sea V un espacio vectorial sobre un cuerpo K y sea X V, X ,= . Consi-
deremos todos los subespacios vectoriales de V que contienen al conjunto X. El ms chico de
todos estos conjuntos se llama espacio generado por X y corresponde a la interseccin de todos
los subespacios que contienen a X. Lo denotaremos por X por G(X).
OBSERVACIN: No es casualidad que este conjunto se llame espacio generado por X. Queda como
ejercicio probar que, efectivamente, el espacio generado por X es un subespacio vectorial de V .
Adems, se tiene que:
TEOREMA 3.3.1 Los elementos de G(X) son los elementos del conjunto formado por todas las
combinaciones lineales posibles de elementos de X, es decir, si X = x
1
, x
2
, , x
k
, entonces
X =
_
k
i=1
i
x
i
,
i
R
_
OBSERVACIN: Si S = v
1
, v
2
, . . . , v
n
decimos que v
1
, v
2
, . . . , v
n
generan a S o que v
1
, v
2
, . . . , v
n
es un conjunto generador de S.
EJEMPLOS:
1. Si W = (x, y) R
2
: (x, y) = (1, 2), R entonces W =
_
(1, 2)
_
.
2. Si W = v V : v = u
0
, R entonces W = G(u
0
) = u
0
.
3. En R
2
considere los vectores u = (2, 1), v = (1, 1), w = (1, 4). Probemos que
R
2
= G(u, v) = G(u, v, w) y que R
2
,= G(u).
Para probar que R
2
= G(u, v), debemos demostrar que dado cualquier (x, y) R
2
, existen
, R tal que (x, y) = (2, 1) + (1, 1). La igualdad implica
x = 2
y = +
_
de donde =
x +y
3
, =
2y x
3
.
Esto signica que dado cualquier vector (x, y) R
2
podemos determinar explcitamen-
te, en funcin de x e y, los valores de los escalares y .
Anlogamente, para probar que R
2
= G(u, v, w), debemos demostrar que dado cualquier
(x, y) R
2
, existen , , R tal que
(x, y) = (2, 1) + (1, 1) + (1, 4). Notar que si tomamos, arbitrariamente, = 0,
los valores de y obtenidos arriba demuestran la armacin. Si asignamos otro valor a ,
70
tambin podemos resolver el sistema para y . En general, entonces, podemos decir
que:
=
x +y 5
3
, =
2y x 7
3
donde es un parmetro real. Por lo tanto, en este caso tambin es posible determinar expl-
citamente los valores de , y . Para probar que R
2
,= G(u) basta encontrar un vector en
R
2
que no sea combinacin lineal de u. Por ejemplo, si tomamos el vector (1, 0) R
2
vemos
que no existe R : (1, 0) = (2, 1).
4. Claramente
G((1, 0), (0, 1)) =
_
(1, 0), (0, 1)
_
=
_
(1, 2), (3, 2)
_
= G((1, 0), (1, 2), (5, 3)) = R
2
5. Anlogamente,
R
2
[x] = G(1, x, x
2
)
= 2, 1 +x, x x
2
= 1, 1 +x, 1 +x +x
2
6. Es fcil ver que, en general, R

n
[x] = G(1, x, x
2
, , x
n
)
7. sen , cos = f(x) C
(R) : f(x) = sen (x) + cos(x), , R.

8. /
22
(R) = G
__
1 0
0 0
_
,
_
0 1
0 0
_
,
_
0 0
1 0
_
,
_
0 0
0 1
__
EJERCICIOS:
1. Caracterizar el espacio generado por los vectores (0, 1, 2) , (1, 3, 1) y (2, 11/2, 3)
2. Encontrar un conjunto generador del subespacio
__
a b
b c
_
: a, b, c R
_
/
22
(R)
3. Encontrar un conjunto generador de W = p(x) R
2
[x] : p(0) = 0 R
2
[x].
DEFINICIN 3.3.3 Sean u
1
, u
2
, , u
n
V . Diremos que u
1
, u
2
, , u
n
es un conjunto:
linealmente independiente (l.i.) ssi
n
i=i
i
u
i
= 0
V

i
= 0 i = 1, , n
71
linealmente dependiente (l.d.) ssi
1
, ,
n
K, no todos nulos :
n
i=i
i
u
i
= 0
V
OBSERVACIN:
1. Tambin se dice que los vectores u
1
, u
2
, , u
n
son l.i. l.d., segn corresponda.
2. En ocasiones, se dice que los vectores u
1
, u
2
, , u
n
son l.i. ssi
n
i=i
i
u
i
= 0
V

i
= 0 i = 1, , n
Sin embargo, la implicancia es obvia (condicin necesaria), por lo que preferimos enfa-
tizar la condicin suciente .
EJEMPLOS:
1. El conjunto (1, 0), (0, 1) R
2
es un conjunto l.i. Basta formar
1
(1, 0) +
2
(0, 1) = (0, 0)
de donde se concluye que
1
= 0,
2
= 0. Es decir, los vectores (1, 0), (0, 1) son l.i.
2. El conjunto (1, 2), (3, 1) R
2
es un conjunto l.i. Anlogamente, formamos
1
(1, 2) +
2
(3, 1) = (0, 0)

1
+ 3
2
= 0
2
1

2
= 0

1
= 0,
2
= 0.
3. El conjunto (1, 2), (3, 1), (5, 1) R
2
es un conjunto l.d. Como antes, formamos
1
(1, 2) +
2
(3, 1) +
3
(5, 1) = (0, 0)
de donde
1
+ 3
2
+ 5
3
= 0
2
1
2
+
3
= 0
Este es un sistema de 2 ecuaciones con 3 incgnitas, que tiene innitas soluciones. Luego,
hemos probado que (1, 2), (3, 1), (5, 1) es l.d.
Es importante mencionar que, si bien
1
=
2
=
3
= 0 es una posible solucin del sistema,
no es la nica. Lo que hemos probado es que
i
, no todos nulos, que satisfacen la condicin
de la denicin.
72
4. El conjunto (1, 0, 0), (0, 1, 0), (0, 0, 1) R
3
es un conjunto l.i.
5. El conjunto (1, 0, 0), (0, 1, 0), (1, 1, 0) R
3
es un conjunto l.d. Basta notar que:
(1, 1, 0) = (1, 0, 0) + (0, 1, 0). En otras palabras,
1
,
2
,
3
no todos nulos tales que
1
(1, 0, 0) +
2
(0, 1, 0) +
3
(1, 1, 0) = (0, 0, 0)
Basta tomar, por ejemplo,
1
= 1,
2
= 1,
3
= 1.
6. El conjunto (0, 1, 0), (1, 1, 0) R
3
es un conjunto l.i.
7. El conjunto sen , cos C(R) es un conjunto l.i. En efecto, formamos
1
sen x +
2
cos x = 0
Derivando, obtenemos una segunda ecuacin que nos permite determinar
1
y
2
:
1
cos x
2
sen x = 0 . Multiplicamos la primera ecuacin por
2
y la segunda por
1
,
las sumamos y como este sistema debe satisfacerse para todos los valores posibles de x R,
necesariamente
2
1
+
2
2
= 0. La nica posibilidad es que
1
=
2
= 0.
8. El conjunto e
x
, e
x
C
1
[0, 1] es un conjunto l.i., siempre que ,= .
9. El conjunto 1, x, x
2
, , x
n
R
n
[x] es un conjunto l.i.
OBSERVACIN:
1. Todo conjunto de vectores que contenga al vector nulo 0
V
es un conjunto l.d. En particular,
el conjunto 0
V
es l.d.
2. Si un conjunto M de vectores es l.i., todo subconjunto de M tambin es l.i.
3. Si un conjunto de vectores N es l.d., todo conjunto que contenga a N ser l.d.
EJERCICIOS:
1. Suponga que 1 es un espacio vectorial y que el conjunto u, v, w 1 es l.i.
Es l.i. el conjunto u +v, v +w, w +u?
2. Bajo que condiciones para el escalar son linealmente dependientes los vectores (, 1, 0), (1, , 1)
y (0, 1, ) de R
3
?
TEOREMA 3.3.2 Sea X V, X ,= , X ,= 0
V
, X nito. Entonces, Y X tal que Y es un
conjunto l.i. y G(X) = G(Y ).
OBSERVACIN: Este teorema arma que cualquier subconjunto nito de vectores, salvo el que
contiene slo al 0
V
, tiene un subconjunto l.i. de vectores.
73
3.4. CLASE 13: Bases y dimensin.
DEFINICIN 3.4.1 Sea B V un subconjunto nito (y ordenado). Diremos que B es una base
(ordenada) de V ssi se satisfacen las siguientes dos condiciones:
1. G(B) = V
2. B es l.i.
TEOREMA 3.4.1 Todo espacio vectorial tiene una base.
EJEMPLOS:
1. ( = (1, 0), (0, 1) es una base de R
2
.
2. B = (1, 2), (3, 1) es una base de R
2
.
3. ( = (1, 0, 0), (0, 1, 0), (0, 0, 1) es una base de R
3
.
4. B = (1, 1, 1), (0, 1, 1), (0, 0, 1) es una base de R
3
.
5. ( = 1, x, x
2
, , x
n
es una base de R
n
[x].
6. B = sen , cos es una base de V = G(sen , cos).
7. ( =
__
1 0
0 0
_
,
_
0 1
0 0
_
,
_
0 0
1 0
_
,
_
0 0
0 1
__
es una base de M
22
(R).
8. El conjunto B =
_
3, x 1, x
2
+x
_
es base del espacio vectorial R
2
[x].
OBSERVACIN: Las bases que hemos denotado por ( se denominan bases cannicas de los respecti-
vos espacios vectoriales.
TEOREMA 3.4.2 Sea V un espacio vectorial que tiene una base B con n vectores, es decir, la car-
dinalidad de B es n. Entonces, cualquier subconjunto de V de cardinalidad n + 1 es un conjunto
l.d.
Dem.: Sea B = v
1
, , v
n
y sea v V tal que v , B. Formamos B v. Este ltimo conjunto
es l.d., pues, como B es base de V , cualquier vector v puede escribirse como combinacin lineal de
los elementos de B. Luego, existen escalares
1
, ,
n
,
n+1
no todos nulos tales que
1
v
1
+
2
v
2
+ +
n
v
n
+
n+1
v = 0
V
OBSERVACIN: El teorema anterior dice que una base B de V es un conjunto l.i. maximal en V .
Pero, adems, permite demostrar el siguiente
74
Vernica Gruenberg Stern 3.4. CLASE 13: BASES Y DIMENSIN.
TEOREMA 3.4.3 Si el espacio vectorial V sobre el cuerpo K tiene una base constituida por n vecto-
res, entonces toda base de V tiene cardinalidad n.
Dem.: Sean B
1
= u
1
, , u
n
y B
2
= w
1
, , w
m
dos bases de V, m ,= n. Como B
1
es
base, el teorema anterior implica que m n. Como B
2
es base, el teorema anterior implica que
n m. Luego, m = n.
DEFINICIN 3.4.2 Sea V un espacio vectorial sobre K y sea B = u
1
, , u
n
una base de V .
Diremos que n N
0
(nita) es la dimensin de V sobre el cuerpo K. Escribimos dim
K
V = n,
simplemente dimV = n cuando no hay confusin posible acerca del cuerpo de escalares.
EJEMPLOS:
1. ( = (1, 0), (0, 1) es una base de R
2
. Se conoce como la base cannica de R
2
.
B = (1, 2), (3, 1) es otra base de R
2
. Claramente, dim
R
R
2
= 2.
2. ( = (1, 0, , 0), (0, 1, 0, , 0), , (0, 0, , 1) es una base de R
n
. Se conoce como la
base cannica de R
n
. Se acostumbra escribir los vectores de la base cannica como
e
1
= (1, 0, , 0), e
2
= (0, 1, 0, , 0), , e
n
= (0, 0, , 1). En este caso, dim
R
R
n
= n.
Si el espacio considerado es R
3
, en las aplicaciones fsicas los vectores de la base cannica se
denotan por

i ,

j ,

k , respectivamente.
3. A = (2, 1, 0), (0, 0, 1) es una base del subespacio V = (x, y, z) R
3
: x + 2y = 0.
Luego, dim
R
V = 2.
4. ( = 1, x, x
2
, , x
n
es la base cannica de R
n
[x]. Luego, dim
R
R
n
[x] = n + 1.
5. ( =
__
1 0
0 0
_
,
_
0 1
0 0
_
,
_
0 0
1 0
_
,
_
0 0
0 1
__
es la base cannica de /
22
(R).
Por lo tanto, dim
R
/
22
(R) = 4.
6. Para las matrices reales de orden mn se tiene que dim
R
/
mn
(R) = m n.
7. Si K es un cuerpo, entonces, mirando este cuerpo como espacio vectorial sobre si mismo se
tiene dim
K
K = 1.
8. Considerando C
n
como un espacio vectorial sobre C, se tiene que dim
C
C
n
= n.
En cambio, considerando C
n
como un espacio vectorial sobre R, se tiene que dim
R
C
n
= 2n.
75
EJERCICIOS:
1. Determine una base y la dimensin de cada uno de los siguientes subespacios:
a) A = (x, y, z) R
3
: x y = 0, z 2x = 0 R
3
b) B = (2x, x, x + 2y, y) R
4
: x, y R R
4
c) C = (x, y, z, t) R
4
: x + 3t = 0 R
4
2. Determine la dimensin de B C del ejercicio anterior. Encuentre, si es posible, una base.
3. Encontrar la dimensin del subespacio
__
a b
b c
_
: a, b, c R
_
/
22
(R)
4. Encontrar la dimensin de W = p(x) R
2
[x] : p(0) = 0 R
2
[x].
TEOREMA 3.4.4 W V = dimW dimV
Dem. Supongamos que dimV = n. Notamos que si un conjunto de vectores es l.i. en W, tambin
es l.i en V . Ahora, cualquier conjunto l.i. en W tiene cardinalidad, a lo ms n.
Si W = 0
V
, entonces dimW = 0. Si W ,= 0
V
, sea v
1
W no nulo y consideremos
W
1
= v
1
. Si W
1
= W, entonces dimW = 1 y la armacin queda probada. Si W
1
,= W,
escogemos un v
2
W tal que v
2
, W
1
y formamos W
2
= v
1
, v
2
y procedemos anlogamente.
Seguimos inductivamente hasta formar W
k
= v
1
, , v
k
= W. Claramente, el proceso termina
porque es posible encontrar a lo ms n vectores l.i. en W. Luego, dimW = k n.
TEOREMA 3.4.5 (completacin de una base) Sea V un espacio vectorial sobre K, de modo que
dim
K
V = n. Sea W V con dim
K
W = m, y base B = u
1
, u
2
, , u
m
; entonces, existen
vectores u
m+1
, u
m+2
, , u
n
V : B u
m+1
, u
m+2
, , u
n
es una base de V .
Dem. La demostracin es anloga a la del teorema anterior.
EJERCICIOS:
1. Sea A = (1, 2, 3), (2, 1, 1). Verique que A es l.i. y complete este conjunto para obtener
una base de R
3
.
2. Sea A = 1, 1 +x, x
2
+x
3
. Verique que A es l.i. y complete este conjunto para obtener una
base de R
3
[x].
76
Vernica Gruenberg Stern 3.4. CLASE 13: BASES Y DIMENSIN.
3. Sea A =
__
1 1
2 0
_
,
_
0 1
3 4
_
,
_
1 0
1 1
__
. Verique que A es l.i. y complete este
conjunto para obtener una base de M(R, 2 2).
TEOREMA 3.4.6 Sea V un espacio vectorial con dim
K
V = n. Si B V, B = u
1
, , u
n
es un
conjunto l.i., entonces B es una base de V .
OBSERVACIN: El teorema es til si se conoce la dimensin de un espacio vectorial V . En este caso,
para probar que un conjunto es base de V , basta probar que el conjunto es l.i.
EJERCICIOS:
1. Determine si los siguientes son base de R
4
. Si no lo son, forme una base de R
4
utilizando el
mximo posible de vectores del conjunto dado.
a) A = (0, 1, 1, 0), (1, 0, 2, 1), (1, 3, 0, 0), (2, 2, 0, 1)
b) B = (1, 1, 1, 1), (1, 1, 1, 0), (1, 1, 0, 0), (1, 0, 0, 0)
2. Determine si los siguientes son base de R
2
[x]. Si no lo son, forme una base de R
2
[x] utilizando
el mximo posible de vectores del conjunto dado.
a) C = 1, 1 +x, 1 +x +x
2
b) D = x +x
2
, 1 +x, 1 +x
2
TEOREMA 3.4.7 Sea B = u

1
, , u
n
V . B es una base de V ssi todo vector de V puede ser
escrito de manera nica como una combinacin lineal de los vectores ordenados u
1
, , u
n
.
OBSERVACIN: Este teorema dice que dado un vector cualquiera en un espacio vectorial V con
una base dada B, los coecientes del vector con respecto a esa base ordenada B son nicos, vale
decir, si
v V, !
i
R, i = 1, , n : v =
1
u
1
+
2
u
2
+ +
n
u
n
Esto permite denir las coordenadas de v con respecto a la base B, usando los coecientes
i
que
acompaan a los vectores u
i
. La matriz columna
_
_
_
_
_
_
2
.
.
.
n
_
_
_
_
_
_
se llama matriz de coordenadas de v
con respecto a la base B. Usaremos la notacin [v]
B
.
77
EJEMPLOS:
1. En R
3
, considere las bases ordenadas B = (1, 2, 3), (1, 0, 1), (0, 2, 0) y la base cannica
de R
3
. Determine la matriz de coordenadas del vector (2, 8, 6) con respecto a ambas bases,
es decir, encuentre [(2, 8, 6)]
B
y [(2, 8, 6)]
C
.
Como (2, 8, 6) = 1 (1, 2, 3) + 3 (1, 0, 1) 5 (0, 2, 0), se tiene que
[(2, 8, 6)]
B
=
_
_
_
1
3
5
_
_
_
Como (2, 8, 6) = 2 (1, 0, 0) + 8 (0, 0, 1) 6 (0, 0, 1), se tiene que
[(2, 8, 6)]
C
=
_
_
_
2
8
6
_
_
_
2. En R
2
[x], considere las bases ordenadas B = 1, x+1, x
2
+1 y la base cannica de R
2
[x],
con n = 2. Determine la matriz de coordenadas del polinomio p(x) = 2x+3x
2
con respecto
a ambas bases.
Tenemos que
p(x) = 2 x + 3x
2
=
1
(1) +
2
(x + 1) +
3
(x
2
+ 1)
= (
1
+
2
+
3
) 1 +
2
x
3
x
2
luego,
1
+
2
+
3
= 2
2
= 1
3
= 3
Resolviendo, obtenemos [p(x)]
B
= (6, 1, 3) y, como antes, las coordenadas con respecto
a la base C coinciden con el vector, vale decir, [p(x)]
C
= (2, 1, 3).
78
1. Determine, justicando su respuesta, si los siguientes conjuntos son subespecies de R
2
:
a) S = (x, y) R
2
: (x y)
2
= (x +y)
2
b) T = (x, y) R
2
:
1
2
x +y = x
1
2
y
2. Sean u
1
= (1, 0, ), u
2
= (1, , 0) y u
3
= (, 0, 1).
Determinar todos los R para los cuales u
1
, u
2
, u
3
es una base de R
3
.
3.
79
80
Captulo 4
Diagonalizacin
4.1. CLASE 14: Valores y Vectores Propios
Hasta ahora la mayora de nuestros clculos los hemos motivado o llevado a sistemas de ecua-
ciones algebraicas. Daremos ahora una motivacin algo diferente. Muchas aplicaciones estn re-
lacionadas con ecuaciones diferenciales, como vimos en la parte de clculo de este curso. Incluso,
la ecuacin puede ser ms compleja y que varias cantidades estn relacionadas a travs de sus
variaciones. Por ejemplo, consideremos las ecuaciones
du
1
dt
= 7u
1
4u
2
du
2
dt
= 5u
1
2u
2
Estas dos ecuaciones relacionan las variaciones de las funciones u
1
y u
2
, y pueden ser escritas en la
forma matricial
_
u
1
u
2
_
=
_
7 4
5 2
__
u
1
u
2
_
o de manera equivalente
u
= Au
donde
u
=
_
u
1
u
2
_
, A =
_
7 4
5 2
_
y u =
_
u
1
u
2
_
Como las soluciones de la ecuacin diferencial (de variable separable) u
= u tienen la forma
u = e
t
, buscamos soluciones de la ecuacin anterior de la forma
u
1
=
1
e
t
u
2
=
2
e
t
Si estas expresiones son soluciones, entonces (derivando y sustituyendo)
1
e
t
= 7
1
e
t
4
2
e
t
2
e
t
= 5
1
e
t
2
2
e
t
81
CAPTULO 4. DIAGONALIZACIN Vernica Gruenberg Stern
de donde
_
7 4
5 2
__

1
2
_
=
_

1
2
_
En decir, podemos construir soluciones para
du
1
dt
= 7u
1
4u
2
du
2
dt
= 5u
1
2u
2
de la forma
u
1
=
1
e
t
u
2
=
2
e
t
siempre y cuando podamos encontrar y x =
_

1
2
_
que cumplan la ecuacin
Ax = x
Claramente, x = 0 satisface esta igualdad, pero no nos entrega informacin til sobre la solucin
del sistema. Lo que realmente necesitamos son escalares y vectores x ,= 0 que cumplan Ax = x.
Como podemos escribir la ecuacin Ax = x en la forma
(AI) x = 0
esto signica que para que el sistema de ecuaciones homogneo tenga soluciones no nulas, los
escalares interesantes son aquellos para los cuales det (AI) = 0. Estas observaciones mo-
tivan las siguientes deniciones:
DEFINICIN 4.1.1 Sean A una matriz de orden n n, un escalar y x un vector no nulo de orden
n 1, que satisfacen
Ax = x
Diremos que es un valor propio de la matriz A y x es un vector propio asociado al valor propio . El
conjunto de todos los valores propios de la matriz A se denota (A) y se llama espectro de A.
OBSERVACIN:
(A) AI es singular det(AI) = 0
Es decir, para encontrar los valores propios de una matriz Ase debe buscar aquellos escalares
tales que det(AI) = 0 . Note que det(AI) es un polinomio en al que llamaremos
polinomio caracterstico de la matriz A y lo denotaremos por P
A
().
82
Vernica Gruenberg Stern 4.1. CLASE 14: VALORES Y VECTORES PROPIOS
Si P
A
() es el polinomio caracterstico de la matriz A entonces P
A
() = 0 es la ecuacin
caracterstica de la matriz A.
Alos valores propios de una matriz Ase les llama tambin valores caractersticos o eigenvalores,
y los correspondientes vectores propios se denominan, consecuentemente, vectores caracters-
ticos o eigenvectores.
EJEMPLOS:
1. Sea A =
_
_
_
3 0 0
0 5 0
0 0
_
_
_. Entonces,
_
_
_
3 0 0
0 5 0
0 0
_
_
_
_
_
_
1
0
0
_
_
_ = 3
_
_
_
1
0
0
_
_
_
y luego v =
_
_
_
1
0
0
_
_
_ es un vector propio de A asociado al valor propio -3 de A.
Anlogamente,
_
_
_
3 0 0
0 5 0
0 0
_
_
_
_
_
_
0
1
0
_
_
_ = 5
_
_
_
0
1
0
_
_
_ y luego v =
_
_
_
0
1
0
_
_
_es un
vector propio de A asociado al valor propio 5 de A, y
_
_
_
3 0 0
0 5 0
0 0
_
_
_
_
_
_
0
0
1
_
_
_ =
_
_
_
0
0
1
_
_
_ y luego v =
_
_
_
0
0
1
_
_
_es un vector propio
de A asociado al valor propio de A.
2. Generalizando esta idea, sea A = (a
ij
) M
nn
(R) una matriz diagonal. Entonces,
_
_
_
_
_
_
_
_
_
_
_
_
a
11
0 0
0 a
22
0 0
.
.
.
.
.
.
.
.
.
.
.
.
0 a
ii
0
0 0
.
.
. 0
a
nn
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
0
0
.
.
.
1
.
.
.
0
_
_
_
_
_
_
_
_
_
_
_
_
= a
ii
_
_
_
_
_
_
_
_
_
_
_
_
0
0
.
.
.
1
.
.
.
0
_
_
_
_
_
_
_
_
_
_
_
_
es decir, los vectores de la base cannica de R
n
son vectores propios de A, asociados a los
respectivos valores propios a
ii
, i = 1, , n.
83
3. Encontrar los valores propios de la matriz A =
_
7 4
5 2
_
.
Solucin: Calculamos
det (AI) =
7 4
5 2
=
2
5 + 6
Luego los valores propios son las soluciones de la ecuacin
2
5 + 6 = 0
es decir,
1
= 2 y
2
= 3, de donde (A) = 2, 3.
Determinemos ahora los correspondientes vectores propios:
Si
1
= 2, buscamos un vector x = (x y)
t
tal que
_
7 4
5 2
__
x
y
_
= 2
_
x
y
_
Es decir,
_
x
y
_
es solucin del sistema homogneo
_
5 4
5 4
__
x
y
_
=
_
0
0
_
que tiene innitas soluciones de la forma
_
4
5
t
t
_
con t R. Luego, el conjunto de
soluciones puede representarse como
__
4
5
__
R
2
.
Si
2
= 3, buscamos un vector x = (x y)
t
tal que
_
7 4
5 2
__
x
y
_
= 3
_
x
y
_
Es decir,
_
x
y
_
es solucin del sistema homogneo
_
4 4
5 5
__
x
y
_
=
_
0
0
_
que tiene innitas soluciones de la forma
_
t
t
_
con t R. Luego, el conjunto de
soluciones puede representarse como
__
1
1
__
R
2
.
84
PROPOSICIN 4.1.1 Si es un valor propio de la matriz A de orden n n, entonces
W
= x R
n
: Ax = x
es un espacio vectorial al que llamaremos espacio propio asociado a .
OBSERVACIN: Si A es una matriz de orden n n entonces el polinomio carcterstico tiene grado
n. Por el Teorema Fundamental del Algebra, tiene entonces n races complejas, contando multipli-
cidades. Y, por lo tanto, si A es de orden n n, A posee a lo ms n valores propios reales.
DEFINICIN 4.1.2 Sea A una matriz y sea (A). Llamaremos
multiplicidad algebraica del valor propio a la multiplicidad de como raz del polinomio
caracterstico.
multiplicidad geomtrica del valor propio a la dimensin del espacio propio asociado W
.
PROPOSICIN 4.1.2 Sea A una matriz de orden n n. Entonces:
1. La suma de los valores propios de A (contando multiplicidad algebraica) es igual a la traza
de A.
2. El producto de los valores propios de A (contando multiplicidad algebraica) es igual al de-
terminante de A.
3. Los valores propios de una matriz triangular superior son los elementos de su diagonal prin-
cipal.
EJEMPLOS:
1. Sea A =
_
1 1
1 1
_
. Determine los valores, vectores y espacios propios correspondientes.
Solucin: Claramente, det(AI) =
1 1
1 1
=
2
2 = 0
= 0 = 2
Para = 0 :
_
1 1
1 1
__
x
y
_
= 0
_
x
y
_
= x +y = 0 y = x
Luego, el vector (1, 1) es un vector propio asociado al valor propio = 0, y el espacio
propio asociado es (1, 1).
85
Para = 2 :
_
1 1
1 1
__
x
y
_
= 2
_
x
y
_
=
x +y = 2x
x +y = 2y
x y = 0
Luego, el vector (1, 1) es un vector propio asociado al valor propio = 0, y el espacio propio
asociado es (1, 1).
2. Sea A =
_
0 1
1 0
_
. Determine los valores, vectores y espacios propios correspondientes.
Solucin: Claramente, det(AI) =
1
1
=
2
+ 1 = 0 = i
En este caso, vemos que los valores propios no son nmeros reales, sino complejos. As, es
posible que una ecuacin caracterstica no tenga soluciones en R o que algunas soluciones
no pertenezcan a R. Por ello, es importante precisar el cuerpo que se est considerando. En
nuestro caso, ser R. En el ejemplo, entonces, podemos armar que esta matriz no posee
valores propios reales y por lo tanto no tiene vectores propios asociados en R
2
.
3. Sea A =
_
_
_
1 2 3
0 2 3
0 0 2
_
_
_. Determine los valores, vectores y espacios propios correspondientes.
Solucin: Aqu, det(AI) =
1 2 3
0 2 3
0 0 2
= (1 )(2 )
2
= 0
de donde los valores propios son = 1 = 2
Buscamos ahora los correspondientes vectores propios.
Para
1
= 1:
_
_
_
1 2 3
0 2 3
0 0 2
_
_
_
_
_
_
x
y
z
_
_
_ = 1
_
_
_
x
y
z
_
_
_ =
_
_
_
0 2 3
0 1 3
0 0 1
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
0
0
0
_
_
_
y = z = 0 y por lo tanto un vector propio asociado es
_
_
_
1
0
0
_
_
_ y el espacio propio
correspondiente es el eje x.
Para
2
= 2:
_
_
_
1 2 3
0 2 3
0 0 2
_
_
_
_
_
_
x
y
z
_
_
_ = 2
_
_
_
x
y
z
_
_
_ =
_
_
_
1 2 3
0 0 3
0 0 0
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
0
0
0
_
_
_
86
z = 0 x = 2y y por lo tanto un vector propio asociado es
_
_
_
2
1
0
_
_
_y el espacio propio
correspondiente es el generado por este vector.
EJERCICIOS:
1. Para las matrices
A =
_
0 1
1 0
_
, B =
_
_
_
3 1 3
20 3 10
2 2 4
_
_
_ y C =
_
_
_
0 0 1
0 2 0
3 0 0
_
_
_
determinar los polinomios caractersticos, valores propios, espacios propios asociados y las
multiplicidades correspondientes.
2. Considere la matriz
A =
_
a b
c d
_
Encontrar su polinomio caracterstico y expresar sus coecientes en trminos de traza y de-
terminante.
3. Determine el polinomio caracterstico, valores propios, espacios propios asociados y las mul-
tiplicidades correspondientes de la matriz
A =
_
_
_
1 0 0
1 2 0
1 0 1
_
_
_
4. Determine, si es posible, los valores, vectores y espacios propios correspondientes en cada
uno de los siguientes:
a) A =
_
1 2
2 1
_
b) B =
_
_
_
0 2 1
2 1 0
0 0 0
_
_
_
c) C =
_
_
_
1 2 1
2 0 2
1 2 3
_
_
_
d) D =
_
_
_
1 1 1
0 0 1
0 0 1
_
_
_
87
4.2. CLASE 15: Diagonalizacin
Notemos que si P es una matriz no singular de orden nn y A es una matriz del mismo orden
entonces
det
_
P
1
AP I
_
= det
_
P
1
AP P
1
IP
_
= det
_
P
1
(AI) P
_
= det
_
P
1
_
det (AI) det (P)
= det (AI)
Por lo tanto, las matrices B = P
1
AP y A tienen el mismo polinomio caracterstico. La idea
que se presenta a continuacin, es encontrar una matriz P adecuada de tal forma que P
1
AP sea
lo ms sencilla posible (ojal diagonal) para poder encontrar el polinomio carcaterstico. El clculo
anterior motiva la siguiente denicin:
DEFINICIN 4.2.1 Dos matrices A y B de orden n n se dice similares si existe una matriz no
singular P tal que P
1
AP = B.
OBSERVACIN: Como se vi arriba, dos matrices similares poseen el mismo polinomio caracters-
tico, y por lo tanto, el mismo espectro.
DEFINICIN 4.2.2 Diremos que una matriz A de orden n n es diagonalizable si existe una matriz
P del mismo orden y no singular tal que P
1
AP = D donde D es una matriz diagonal.
La pregunta obvia es Es toda matriz es diagonalizable? La respuesta es no. Consideremos, por
ejemplo, la matriz
A =
_
0 1
0 0
_
Entonces A
2
= [0]
22
Luego, si existiera una matriz P no singular tal que P
1
AP = D con D
diagonal se tendra
D
2
=
_
P
1
AP
_ _
P
1
AP
_
= P
1
A
2
P
= P
1
[0] P = [0]
de donde necesariamente D = [0] y as A = [0] lo que es una contradiccin.
88
Vernica Gruenberg Stern 4.2. CLASE 15: DIAGONALIZACIN
Entonces cuales matrices son diagonalizables? Note lo siguiente
P
1
A
nn
P = D =
_
_
_
_
_
_
1
0 0
0
2
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0
n
_
_
_
_
_
_
de donde
AP = PD
Si ponemos
P =
_
v
1
v
2
v
n
_
donde v
i
son los vectores columnas de P entonces
AP =
_
Av
1
Av
2
Av
n
_
y
PD =
_

1
v
1

2
v
2

n
v
n
_
Se sigue que i = 1, 2, . . . , n se cumple Av
i
=
i
v
i
, es decir, P
1
A
nn
P = D implica
que P tiene en sus columnas n vectores propios linealmente independientes y D es la matriz
diagonal que tiene por entradas los valores propios de la matriz A. La recproca de esta armacin
es probada fcilmente.
TEOREMA 4.2.1 Una matriz es diagonalizable si y solo si el espacio tiene una base de vectores
propios de la matriz. En tal caso podemos obtener una matriz que diagonaliza a A poniendo los
vectores de tal base como columnas de la matriz P.
EJEMPLO 4.2.1 Diagonalizar la matriz
A =
_
_
_
1 4 4
8 11 8
8 8 5
_
_
_
Solucin: El polinomio carcaterstico es ( 1) ( + 3)
2
y luego los valores propios son = 1
y = 3 que tiene multiplicidad algebraica 2.
Es fcil ver que W
=1
=
_
_
_
_
1
2
2
_
_
_
_
y W
=3
=
_
_
_
_
1
1
0
_
_
_,
_
_
_
1
0
1
_
_
_
_
.
89
Como los vectores propios
_
_
_
1
2
2
_
_
_,
_
_
_
1
1
0
_
_
_,
_
_
_
1
0
1
_
_
_ son L.I., la matriz es diagonalizable y
_
_
_
1 1 1
2 1 0
2 0 1
_
_
_
1
_
_
_
1 4 4
8 11 8
8 8 5
_
_
_
_
_
_
1 1 1
2 1 0
2 0 1
_
_
_ =
_
_
_
1 0 0
0 3 0
0 0 3
_
_
_
El problema de la diagonalizacin se reduce a poder encontrar una base de vectores propios.
Note que, en el ejemplo, las multiplicidad aritmtica y geomtrica de ambos valores propios coin-
cidieron. Esto no es siempre as y se tiene el siguiente teorema:
TEOREMA 4.2.2 Para cada valor propio se cumple que la multiplicidad geomtrica es menor igual
que la multiplicidad algebraica.
TEOREMA 4.2.3 Sean
1
,
2
(A),
1
,=
2
. Entonces los correspondientes vectores propios
son L.I., es decir, si v
1
es un vector propio asociado a
1
y v
2
es un vector propio asociado a
2
,
entonces v
1
, v
2
son vectores linealmente independientes.
De esta forma, de cada subespacio propio, podemos extraer a lo ms tantos vectores propios
l.i. como la multiplicidad algebraica que tenga el valor propio.
Luego el problema de la diagonalizacin se reduce al siguiente teorema:
TEOREMA 4.2.4 Una matriz es diagonalizable si y solo si para todo valor propio la multiplicidades
algebraicas y geomtricas coinciden.
COROLARIO 4.2.1 Si todos los valores propios son distintos entonces la matriz es diagonalizable.
OBSERVACIN: El recproco de este corolario no es cierto.
EJERCICIOS: Determinar si las siguientes matrices son diagonalizables
A =
_
_
_
1 1 2
8 11 8
10 11 7
_
_
_ y B =
_
_
_
1 4 4
8 11 8
8 8 5
_
_
_
Respuesta: A no lo es y B si.
90
Vernica Gruenberg Stern 4.3. CLASE 16: APLICACIN: FORMA CANNICA DE CUADRTICAS
4.3. CLASE 16: Aplicacin: forma cannica de cuadrticas
Hemos estudiado el problema de la diagonalizacin en general. Ahora estudiaremos el caso
particular en que la matriz es real y simtrica.
PROPOSICIN 4.3.1 Sea A una matriz real y simtrica; entonces:
1. (A) = R. Es decir, todos los valores propios de A son reales.
2.
i
,
j
(A),
i
,=
j
= v
i
v
j
. Es decir, si
i
,=
j
son valores propios de A,
los elementos de W
i
son perpendiculares a los elementos de W
j
. Escribimos en este caso
W
i
W
j
.
Dem.:
1. Recordemos que si v R
n
, v = (v
1
, , v
n
), entonces v v =
n
i=1
v
2
i
.
Matricialmente, si v es un vector columna, este producto puede representarse en la forma:
v
T
v = (v
1
v
n
)
_
_
_
_
v
1
.
.
.
v
n
_
_
_
_
Adems, si A /
nn
(R), v R
n
es un vector columna, entonces Av R
n
es un vector
columna.
Con estas ideas en mente, sea (A) y sea x un vector propio asociado a . Entonces
Ax = x Ax = x
Recordemos que z C es real si y solo si z = z. Por lo anterior y aplicando x por la
derecha:
_
Ax
_
T
x =
_
x
_
T
x =
n
i=1
x
i
x
i
=
n
i=1
[x
i
[
2
Otra manera de hacer el mismo cculo es:
_
Ax
_
T
x =
_
x
T
A
T
_
x
= (x)
T
A
T
x pues A es real
= (x)
T
Ax pues A es simtrica
= (x)
T
x
=
n
i=1
[x
i
[
2
91
Igualando ambas expresiones, obtenemos
_

_
n
i=1
[x
i
[
2
= 0
y como x ,=

0 se sigue que = , es decir, R.
2. Notar que si Ax =
i
x y Ay =
j
y entonces
i
x, y =
i
x, y = Ax, y
=
x, A
T
y
_
= x, Ay
= x,
j
y
=
j
x, y
Luego:
(
i
j
) x, y = 0 x, y = 0
de donde x y.
As, al diagonalizar una matriz simtrica, los vectores propios asociados a valores propios dis-
tintos son ortogonales. Sin embargo, si la multiplicidad algebraica de un vector propio diere de la
multiplicidad geomtrica, los vectores propios que generan los espacios propios asociados a dicho
valor propio no tienen por qu ser perpendiculares. Para obtener una base del espacio formada por
vectores todos ortogonales entre s, podemos ortogonalizar estos vectores realizando el siguiente
proceso:
4.3.1. Proceso de ortogonalizacin de Gram-Schmidt
Supongamos que x
1
, x
2
, . . . , x
m
son vectores L.I en R
n
. Es posible construir vectores ortogona-
les y
1
, y
2
, . . . , y
n
tales que para cada k = 1, 2, . . . , m se cumple
G(x
1
, x
2
, . . . , x
k
) = G(y
1
, y
2
, . . . , y
k
)
Los vectores y
i
se construyen siguiendo un anlogo a la contruccin de la proyeccin ortogonal:
y
1
= x
1
y
2
= x
2
x
2
, y
1
|y
1
|
2
y
1
.
.
.
y
k+1
= x
k+1
j=1
x
k+1
, y
j
|y
j
|
2
y
j
92
EJEMPLO 4.3.1 Sean x
1
= (3, 0, 4) , x
2
= (1, 0, 7) y x
3
= (2, 9, 11) en R
3
. Aplicando el proceso de
Gram - Schmidt se obtienen los vectores
y
1
= (3, 0, 4)
y
2
= (1, 0, 7)
(1, 0, 7) , (3, 0, 4)
|(3, 0, 4)|
2
(3, 0, 4)
= (4, 0, 3)
y
3
= (2, 9, 11)
(2, 9, 11) , (3, 0, 4)
25
(3, 0, 4)
(2, 9, 11) , (4, 0, 3)
25
(4, 0, 3)
= (0, 9, 0)
Obtenemos as un conjunto ortogonal de vectores que generan el mismo espacio vectorial que
el conjunto de los x
i
.
DEFINICIN 4.3.1 Diremos que una base B = u
1
, u
2
, . . . , u
n
de un espacio vectorial V es una
base ortonormal, si los vectores de la base son ortogonales entre s y tienen norma 1.
TEOREMA 4.3.1 Sea A una matriz real y simtrica. Entonces, A es diagonalizable. Adems, existe
una base ortonormal de vectores propios asociados a A. La diagonalizacin puede ser llevada a
cabo en la forma
V
T
AV = D
donde V es una matriz ortonormal, es decir, es una matriz tal que V
1
= V
T
y sus columnas
son vectores propios ortonormales y D es la matriz diagonal que tiene los valores propios en su
diagonal principal.
De esta forma podemos describir todas las matrices simtricas de la siguiente forma:
PROPOSICIN 4.3.2 A es una matriz real simtrica si y solo si existe una matriz ortonormal V y
una matriz diagonal D tal que
A = V DV
T
EJEMPLO 4.3.2 Sea
A =
_
_
_
0 1 1
1 0 1
1 1 0
_
_
_
a) Determine los valores propios y espacios propios asociados.
93
b) Vericar que para valores propios distintos
i
y
j
se cumple W
i
W
j
c) Determine una base ortonormal de vectores propios
d) Encontrar una matriz ortonormal V tal que V
T
AV = D
Solucin:
a) [AI[ =
1 1
1 1
1 1
= ( + 1)
2
( 2) = (A) = 1, 2
Para = 1 :
_
_
_
1 1 1
1 1 1
1 1 1
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
0
0
0
_
_
_ = x +y +z = 0
que es un subespacio vectorial de dimensin 2: W
1
= (1, 0, 1), (0, 1, 1)
Para = 2 :
_
_
_
2 1 1
1 2 1
1 1 2
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
0
0
0
_
_
_ =
2x +y +z = 0
x 2y +z = 0
que es un subespacio vectorial de dimensin 1: W
2
= (1, 1, 1)
b) (1, 0, 1), (1, 1, 1) = 0 (0, 1, 1), (1, 1, 1)
Dejamos c) y d) como ejercicio.
4.3.2. Formas cuadrticas.
Escribiremos los vectores de R
n
como columnas por consistencia para poder multiplicarlos con
las matrices.
DEFINICIN 4.3.2 Si A es una matriz de orden n n y

x =
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
_
R
n
decimos que
F (

x ) = (

x )
T
A(

x )
es una forma cuadrtica en las variables (x
1
, x
2
, . . . , x
n
).
OBSERVACIN: Note que F (

x ) R.
94
Ilustracin: Formas cuadrticas en R
2
Sean A =
_
a b
c d
_
, x =
_
x
y
_
R
2
. Entonces:
F(x) =
_
x y
_
_
a b
c d
__
x
y
_
= ax
2
+dy
2
+ (b +c) xy
Note que:
_
x y
_
_
a b
c d
__
x
y
_
=
_
x y
_
_
a
b+c
2
b+c
2
d
__
x
y
_
y que
B =
_
a
b+c
2
b+c
2
d
_
es una matriz simtrica.
OBSERVACIN: Toda forma cuadrtica F (

x ) = (

x )
T
A(

x ) puede ser escrita en la forma
F (

x ) = (

x )
T
B(

x ) donde B es simtrica. En efecto:
(

x )
T
A(

x ) = (

x )
T
_
A+A
T
2
_
(

x )
EJEMPLO 4.3.3 Escribir la forma cuadrtica F(x
1
, x
2
, x
3
) = x
2
1
+ 3x
1
x
2
2x
1
x
3
+ x
2
2
+ x
2
x
3
+ 2x
3
3
en forma matricial, usando una matroz simtrica.
Solucin:
F(x
1
, x
2
, x
3
) =
_
x
1
x
2
x
3
_
_
_
_
1 3 2
0 1 1
0 0 2
_
_
_
_
_
_
x
1
x
2
x
3
_
_
_
Sin embargo, podemos representarla con una matriz simtrica:
_
_
_
1 3 2
0 1 1
0 0 2
_
_
_
T
+
_
_
_
1 3 2
0 1 1
0 0 2
_
_
_
2
=
_
_
_
1
3
2
1
3
2
1
1
2
1
1
2
2
_
_
_
As
F(x
1
, x
2
, x
3
) =
_
x
1
x
2
x
3
_
_
_
_
1
3
2
1
3
2
1
1
2
1
1
2
2
_
_
_
_
_
_
x
1
x
2
x
3
_
_
_
95
TEOREMA 4.3.2 Toda forma cuadrtica en R
n
puede escribirse en la forma
F (y
1
, y
2
, . . . , y
n
) =
n
i=1
i
y
2
i
llamada forma cannica asociada.
Dem.: Si F (

x ) = (

x )
T
A(

x ) es una forma cuadrtica podemos suponer que A es simtrica.
Toda matriz simtrica puede escribirse en la forma
A = V DV
T
Entonces
(

x )
T
A(

x ) = (

x )
T
V DV
T
(

x )
=
_
V
T
x
_
T
D
_
V
T
(

x )
_
= (

y )
T
D(

y )
donde

y = V
T
(

x ).
DEFINICIN 4.3.3 (Clasicacin de formas cuadrticas) Sea A una matriz real. Diremos que la
forma cuadrtica F (

x ) = (

x )
T
A(

x ) es
denida positiva si

x R
n
,

x ,=

0 se cumple que F (

x ) > 0.
denida negativa si

x R
n
,

x ,=

0 se cumple que F (

x ) < 0.
semidenida positiva si

x R
n
se cumple que F (

x ) 0.
semidenida negativa si

x R
n
, se cumple que F (

x ) 0.
indenida si la forma cambia de signo dependiendo de

x .
OBSERVACIN: Haciendo uso de la forma cannica de una forma cuadrtica, es fcil analizar si
sta es denida positiva, negativa, indenida, etc.
96
Vernica Gruenberg Stern 4.4. CLASE 17: APLICACIN: SECCIONES CNICAS ROTADAS
4.4. CLASE 17: Aplicacin: Secciones cnicas rotadas
DEFINICIN 4.4.1 Una ecuacin cuadrtica en las variables x, y es una ecuacin de la forma
Ax
2
+ 2Bxy +Cy
2
+Dx +Ey +F = 0
donde A, B, C, D, E son nmeros reales y al menos uno de los coecientes A, B, C es no nulo.
Podemos escribir la ecuacin cuadrtica
Ax
2
+ 2Bxy +Cy
2
+Dx +Ey +F = 0
en forma matricial:
_
x y
_
_
A B
B C
__
x
y
_
+
_
D E
_
_
x
y
_
+F = 0
Si ponemos
L =
_
A B
B C
_
,

x =
_
x
y
_
y K =
_
D E
_
entonces la ecuacin cuadrtica se escribe en la forma

x
T
L

x +K

x +F = 0
Note que

x
T
L

x es una forma cuadrtica, donde L es una matriz simtrica.
Utilizando diagonalizacin para matrices simtricas mostraremos que siempre es posible rotar
los ejes de coordenadas de tal manera que la ecuacin con respecto al nuevo sistema no tenga
trminos en xy. El procedimiento es el siguiente:
Encontrar una matriz ortonormal V que diagonalice a la matriz L.
Utilizamos la transformacin de coordenadas
V
T
_
x
y
_
=
_
x
_
utilizando una matriz V tal que det V = 1, garantizando as que es una matriz de rotacin.
Encontramos la ecuacin de la cnica en el nuevo sistema X
en la forma
_
V
_
x
__
T
LV
_
x
_
+KV
_
x
_
+F = 0
_
x
_
T
V
T
LV
_
x
_
+KV
_
x
_
+F = 0
97
Como V diagonaliza a L se sigue
V
T
LV =
_

1
0
0
2
_
donde
1
y
2
son los valores propios de L. De esta forma la ecuacin de la cnica queda
1
_
x
_
2
+
2
_
y
_
2
+D
+E
+F = 0
ecuacin que no tiene trminos en xy.
EJEMPLO 4.4.1 Dada la ecuacin cuadrtica
5x
2
4xy + 8y
2
+
20
5
x
80
5
y + 4 = 0
encontrar una base en R
2
de tal forma que se pueda escribir la ecuacin sin trminos xy y se pueda
identicar de que cnica se trata.
Solucin: La forma matricial de la ecuacin cuadrtica es

x
T
L

x +K

x +F = 0
donde
L =
_
5 2
2 8
_
, K =
_
20
5

80
5
_
y

x =
_
x
y
_
Primero encontramos los valores propios de L :
5 2
2 8
= 0
2
13 + 36 = 0
se sigue
1
= 4 y
2
= 9. Ahora buscamos los vectores propios asociados:
Para
1
= 4 se tiene
_
1 2
2 4
__
x
y
_
=
_
0
0
_
esto es
_
x
y
_
G
_
2
1
_
Para
2
= 9
_
4 2
2 1
__
x
y
_
=
_
0
0
_
98
lo que es equivalente a
_
x
y
_
G
_
1
2
_
.
Estos dos vectores son ortogonales y los normalizamos |(2, 1)| =
5 = |(1, 2)| entonces

la matriz que diagonaliza a L con determinante 1 es
V =
_
2
5

1
5
1
5
2
5
_
se sigue que el cambio de coordenadas es
_
x
y
_
=
_
2
5

1
5
1
5
2
5
__
x
_
sustituyendo se obtiene
_
x
_
T
V
T
LV
_
x
_
+KV
_
x
_
+F = 0
en este caso
_
x
_
T
_
4 0
0 9
__
x
_
+
_
20
5

80
5
_
_
2
5

1
5
1
5
2
5
__
x
_
+ 4 = 0
es decir
4(x
)
2
+ 9(y
)
2
8x
36y
+ 4 = 0
que corresponde a la elipse
(x 1)
2
9
+
(y
2)
2
4
= 1
OBSERVACIN: Es posible realizar el mismo procedimiento para ecuaciones cuadrticas en tres o
ms variables.
99
4.4.1. Aproximacin geomtrica a la clasicacin de cudricas en el plano
Consideremos 2 sistemas de coordenadas en el plano cartesiano, con el mismo origen O, con
la misma unidad de medida de longitud en los ejes y con la misma orientacin. A cada punto P
en el plano, le corresponde un nico par ordenado en cada sistema de coordenadas. Como en la
gura, sean XY y X
los sistemas coordenados. Luego, en coordenadas XY , podemos escribir

P = (x, y), mientras que en coordenadas X
, escribimos P = (x
, y
).
Sea r = d(O, P). Es claro entonces que:
x
= r cos y
= r sen
x = r cos( +) y = r sen( +)
Luego, las coordenadas de un punto (x, y) en el sistema cartesiano XY puede escribirse en la
forma:
x = r cos cos r sen sen
y = r sen cos +r cos sen
o, equivalentemente,
x = x
cos y
sen
y = x
sen +y
cos
OBSERVACIN: Podemos escribir este sistema de ecuaciones en forma matricial como
_
cos sen
sen cos
__
x
_
=
_
x
y
_
100
La matriz C =
_
cos sen
sen cos
_
se llama matriz de rotacin. Notar que det C = 1. En gene-
ral, cualquier matriz C cuyo determinante sea igual a 1, es una matriz de rotacin, que preserva la
orientacin. Ms general an, cualquier matriz C tal que det C = 1 se llama matriz ortogonal. Si
det C = 1, se dice que C es una matriz de rotacin que preserva la orientacin, y si det C = 1, se
dice que C es una matriz de rotacin que invierte la orientacin.
Volviendo a lo anterior, es claro entonces que cualquier ecuacin de la forma
Ax
2
+ 2Bxy +Cy
2
+Dx +Ey +F = 0
en el sistema coordenado XY puede ser reescrita en el sistema coordenado rotado X
. Para ello,
basta sustituir las correspondientes expresiones para x e y en la ecuacin, y obtenemos:
A(x
cos y
sen )
2
+ 2B(x
cos y
sen )(x
sen +y
cos ) +C(x
sen +y
cos )
2
+
+D(x
cos y
sen ) +E(x
sen +y
cos ) +F = 0
Agrupando, podemos escribir esta ltima ecuacin en la forma:
A
(x
)
2
+ 2B
(x
)(y
) +C
(y
)
2
+D
+E
+F
= 0, con
A
= Acos
2
+ 2Bcos sen +C sen
2
= 2(C A) sen cos + 2B(cos

2
sen
2
)
C
= Asen
2
2Bsen cos +C cos
2
= Dcos +E sen
E
= Dsen +E cos
F
= F
Si transformamos la ecuacin en una en el que el trmino mixto x
no aparezca, podemos
reconocer fcilmente la cnica, con lo aprendido en MAT021. Necesitaramos entonces que B
= 0,
es decir,
101
2(C A) sen cos + 2B(cos
2
sen
2
) = 0
(C A) sen(2) + 2Bcos(2) = 0
cotg (2) =
AC
2B
As, podemos escribir el siguiente
TEOREMA 4.4.1 Si la ecuacin Ax
2
+ 2Bxy +Cy
2
+Dx +Ey +F = 0 se transforma en
A
(x
)
2
+ 2B
+C
(y
)
2
+D
+E
+F
= 0 por una rotacin en un ngulo (en sentido

positivo), entonces:
(i) C
+A
= C +A
(ii) (B
)
2
+ (C
)
2
= B
2
+ (C A)
2
(iii) (B
)
2
A
= B
2
AC
Adems, existe un nico ngulo , 0 < < /2, tal que B
= 0, y tal ngulo est determinado

por
cotg (2) =
AC
2B
, si B ,= 0 tan(2) =
2B
AC
, si A ,= C.
Adicionalmente, el lugar geomtrico de los puntos del plano que satisfacen la ecuacin original
es:
(a) una elipse, (un punto el vaco, en el caso degenerado) si B
2
AC < 0
(b) una parbola, (una dos rectas paralelas, en el caso degenerado) si B
2
AC = 0
(c) una hiprbola (dos rectas que se intersectan, en el caso degenerado) si B
2
AC > 0
EJERCICIOS: En cada uno de los siguientes ejercicios, encuentre una base ortonormal de R
2
y las
ecuaciones de rotacin correspondientes que permiten escribirla en la forma cannica e identique
la cnica que representa.
1. 2x
2
4xy y
2
+ 8 = 0
2. x
2
+ 2xy +y
2
+ 8x +y = 0
3. 5x
2
+ 4xy + 5y
2
= 9
4. 9x
2
4xy + 6y
2
10x 20y = 5
5. 3x
2
8xy 12y
2
30x 64y = 0
6. 2x
2
4xy y
2
4x 8y = 14
102
1. Dada la ecuacin
9x
2
6xy + 17y
2
+ 24
10 x + 56
10 y = 208
a) Encuentre la ecuacin cannica del L.G. que representa.
b) Encontrar la ecuaci?on de una directriz en el sistema x y.
c) Graque la curva en el sistema x y.
2.
3.
103
104
Captulo 5
Sucesiones y Series Numricas
5.1. CLASE 18: Sucesiones
Considere el problema de aproximar el valor de

2 a travs del siguiente mtodo: sabemos
que

2 I
1
= [1, 2]; dividamos el intervalo en dos subintervalos de igual longitud =
1
2
, digamos
I
1
=
_
1,
3
2
y I
1
=
_
3
2
, 2
. Es fcil ver que

2 I
1
; llamemos I
2
a tal intervalo. Ahora bien, como
2 I
2
podemos dividir I
2
en dos subintervalos I
2
y I
2
ambos de longitud
1
4
(longitud I
2
) =
1
2
2
, al
cual pertenezca
2; le llamamos I
3
. Repetimos en forma inductiva este proceso, y de esta manera
obtenemos intervalos I
n
tales que

2 I
n
. Adems, la longitud de I
n
es
1
2
n
. Sean x
n
, y
n
los
extremos izquierdo y derecho del intervalo I
n
; entonces
x
n

2 y
n
para todo n N
Se sigue que
0
2 x
n
(y
n
x
n
) =
1
2
n
Esto nos dice que
0
2 x
n

1
2
n
para todo n N
En otras palabras, el extremo izquierdo de los intervalos I
n
se va acercando al valor de

2 a
medida que n crece. As, por ejemplo, x
10
est a distancia menor igual que
1
2
10
= 9. 765 6 10
4
de
2.
En este ejemplo, a cada nmero natural le asignamos un nmero real x
n
que es el extremo izquier-
do del intervalo I
n
. Este tipo de asignacin se llama sucesin de nmeros reales y el proceso de se
va acercando es llamado convergencia. A continuacin formalizaremos estos conceptos.
5.1.1. Conceptos bsicos
DEFINICIN 5.1.1 Una sucesin de nmeros reales es una funcin x : N Rque asocia a cada n-
mero natural n un nmero real x(n) que denotaremos por x
n
y que llamaremos el n-simo trmino
de la sucesin.
105
CAPTULO 5. SUCESIONES Y SERIES NUMRICAS Vernica Gruenberg Stern
Generalmente se denotan las sucesiones en la forma (x
n
), (x
n
)
nN
, (x
n
)
nA
, x
n
nN
o
(x
1
, x
2
, x
3
, . . . , x
n
, . . . ). Debemos, sin embargo, distinguir entre una sucesin (que es una funcin)
y el conjunto de los valores que toma la sucesin (que es el recorrido de tal sucesin). Estos son
objetos diferentes que pueden confundirse, por ejemplo:
Considere la sucesin X : N R, n X (n) = (1)
n
. Si bien esta funcin toma solo dos
valores, debemos distinguirla del conjunto 1, 1 que sera el recorrido de tal sucesin. Quizs lo
que deje ms en claro la diferencia entre estos objetos, sea que en la funcin existe un cierto orden
en el que se asumen los valores, en cambio en el conjunto recorrido, sto no es relevante.
OBSERVACIN: Se acostumbra, a veces, a denir una sucesin listando los primeros trminos de
ella y detenindose cuando la regla de formacin de la sucesin sea clara; por ejemplo
(2, 4, 6, 8, . . . )
podra denotar a la sucesin de los nmeros pares. Debe tenerse presente, sin embargo, que for-
malmente esta manera de denir una sucesin no es del todo correcta. Nada impide armar que
la sucesin indicada no represente, por ejemplo, a
(2, 4, 6, 8, 2, 4, 6, 8, ) o (2, 4, 6, 8, 12, 18, )
Tambin existen reglas de formacin que permitiran construir stas ... o muchas otras.
Un mtodo correcto para denir una sucesin es especicar una frmula para el trmino
n-simo de la sucesin; por ejemplo:
(2n)
nN
Otro mtodo correcto para denir sucesiones, llamado mtodo inductivo, es aquel en el que se dene
el trmino x
n+1
basndose en una frmula recursiva, conocidos algunos valores de la sucesin. Por
ejemplo, podemos denir la sucesin de los pares mediante la frmula recursiva
x
1
= 2, x
n+1
= 2 +x
n
para n 1
(Note que: x
1
= 2, luego x
2
= 2 +x
1
= 2 + 2 = 4, luego x
3
= 2 +x
2
= 2 + 4 = 6, etc).
Otro ejemplo clsico de este tipo de deniciones es la sucesin de Fibonacci, denida por
a
1
= 1, a
2
= 1 y a
n+1
= a
n
+a
n1
para n 2
en el cual tomamos como base dos casos anteriores. Los primeros nmeros de esta sucesin sern:
a
1
= 1
a
2
= 1
a
3
= a
2
+a
1
= 1 + 1 = 2
a
4
= a
3
+a
2
= 2 + 1 = 3
a
5
= a
4
+a
3
= 3 + 2 = 5
106
Vernica Gruenberg Stern 5.1. CLASE 18: SUCESIONES
OBSERVACIN:
1. Es posible representar una sucesin en la recta real mostrando los valores que toma la suce-
sin en determinados valores de n. Por ejemplo, la representacin en la recta real para la
sucesin
_
1
n
_
nN
es:
2. No hay motivo para restringir la denicin de sucesin solo a sucesiones reales. Por ejemplo,
f : N C tal que f(i) = i
n
, es una sucesin de nmeros complejos.
Ms an, es posible extender la denicin a sucesiones de funciones o sucesiones de conjun-
tos. Por ejemplo:
: N P(N) tal que (n) = 1, 2, , n, es una sucesin de conjuntos.
EJEMPLOS:
1. Las progresiones son ejemplos de sucesiones. Las progresiones geomtricas corresponden a
sucesiones del tipo
x : N R
n x
n
= a
1
r
n1
y las progresiones aritmticas corresponden a sucesiones de la forma
x : N R
n x
n
= a
1
+ (n 1) d
2. La sucesin (1, 0, 1, 0, . . . ) tiene trmino n-simo dado por x
n
=
1(1)
n
2
es decir, corres-
ponde a la sucesin
x : N R
n x
n
=
1 (1)
n
2
3. El dcimo trmino de la sucesin
_
1
n
_
nN
es
1
10
.
107
4. Estudiemos con ms detencin la sucesin x
n
=
_
1 +
1
n
_
n
. Por el teorema del binomio:
x
n
=
n
k=0
_
n
k
_
1
n
k
y como
_
n
k
_
=
n!
(n k)! k!
entonces
_
n
k
_
1
n
k
=
n(n 1) (n k + 1) (n k)!
(n k)! k! n
k
=
n(n 1) (n k + 1)
k! n
k
= 1
_
1
1
n
__
1
2
n
_

_
1
k 1
n
_
1
k!
Luego
x
n
=
_
1 +
1
n
_
n
= 1 +
n
k=1
_
1
_
1
1
n
__
1
2
n
_

_
1
k 1
n
_
1
k!
_
1 +
n
k=1
1
k!
=
n
k=0
1
k!
pues
1
_
1
1
n
__
1
2
n
_

_
1
k 1
n
_
1 1 1 = 1
Ahora, note que
n
k=0
1
k!
= 1 + 1 +
n
k=2
1
k!
Pero
k! 2
k1
para k 2
y as
n
k=0
1
k!
= 1 + 1 +
n
k=2
1
k!
1 + 1 +
n
k=2
1
2
k1
= 1 + 2
_
1
1
2
n
_
< 3
De esto obtenemos que
x
n
=
_
1 +
1
n
_
n
< 3 n N
108
5. El nsimo trmino de la sucesin 2, 2 +
1
2
, 3 +
1
4
, 4 +
1
8
, 5 +
1
16
, . . . puede ser
x
n
= n +
1
2
n1
6. A pesar del ejemplo anterior, no siempre es posible determinar una frmula para el nsimo
trmino de una sucesin. Considere, por ejemplo, la sucesin de los nmeros primos:
x
1
= 2, x
2
= 3, x
3
= 5, x
4
= 7
En este caso, no existe una frmula para el nsimo trmino.
EJERCICIOS: Determine una regla de formacin, o frmula para el nsimo trmino, en los si-
guientes casos:
1.
_
1
2
,
2
3
,
3
4
,
4
5
,
_
2.
_
2
3
,
3
9
,
4
27
,
5
81
,
_
3. (1, 0, 1, 0, 1, 0, 1, 0, 1, )
4.
_
3
5
,
4
25
,
5
125
,
6
625
,
7
3125
,
_
DEFINICIN 5.1.2 Sean X = (x
n
), Y = (y
n
) dos sucesiones en R y sea R. Se dene:
1. X como la sucesin (x
n
).
2. X +Y como la sucesin (x
n
+y
n
).
3. XY como la sucesin (x
n
y
n
).
4. Si y
n
,= 0 n N, entonces denimos
X
Y
como la sucesin
_
xn
yn
_
.
EJEMPLO 5.1.1 Si X =
_
1
n
_
nN
y Y = (2n)
nN
entonces:
XY = (2)
nN
= (2, 2, 2, . . . , 2, . . . ) es una sucesin constante que solo toma el valor 2.
Y/X =
_
2n
2
_
nN
.
DEFINICIN 5.1.3 Una sucesin (x
n
) se dice:
109
1. Acotada superiormente, si existe M R tal que x
n
M para todo n.
2. Acotada inferiormente, si existe m R tal que m x
n
para todo n.
3. Acotada, si es acotada superior e inferiormente. Esto equivale a encontrar un K > 0 tal que
[x
n
[ K para todo n.
EJEMPLOS:
1. La sucesin
__
1 +
1
n
_
n
_
nN
es una sucesin acotada.
En efecto, es claro que 0 x
n
para cada n Ny en los ejemplos se vi que x
n
< 3 para cada
n N, es decir x
n
[0, 3] para cada n N.
2. (1)
n
nN
es una sucesin acotada pues [x
n
[ = [(1)
n
[ = 1 y luego x
n
[1, 1] para
cada n N.
3.
_
sen
_
n
2
+ 2
__
nN
es una sucesin acotada.
4. Sea a R, y dena la sucesin x
n
= a
n
. Estudiaremos si sta es o no acotada.
a) Si a [1, 1] entonces x
n
= a
n
est acotada, a saber, [x
n
[ = [a[
n
1
n
= 1. Luego,
x
n
[1, 1] para todo n N.
b) Si a < 1 entonces x
n
no es acotada ni superior ni inferiormente. En efecto:
note que a
2
> 1, de donde, para algn d > 0:
a
2
= 1 +d
entonces
a
2n
= (1 +d)
n
1 +nd (desigualdad de Bernoulli)
Luego, no existe M R tal que x
n
M para todo n R.
(si tal M existiera: M x
2n
1 +nd entonces
M 1
d
n. Basta considerar
n >
M1
d
y llegamos a una contradiccin).
Por otro lado:
a
2n+1
= a (1 +d)
n
a (1 +nd)
de donde no puede existir m R tal que
m x
n
para todo n N. (Un razonamiento similar al anterior muestra que la existencia de tal
m lleva a una contradiccin).
110
c) Si a > 1 entonces a = 1 +d con d > 0 se sigue que x
n
= a
n
= (1 +d)
n
1 +nd
de donde no puede estar acotada superiormente. Note que est acotada inferiormente
por 1.
DEFINICIN 5.1.4 Una sucesin (x
n
) se dice:
1. Estrictamente creciente si para cada n se cumple que x
n
< x
n+1
.
2. Creciente si para cada n se cumple que x
n
x
n+1
.
3. Estrictamente decreciente si para cada n se cumple que x
n
> x
n+1
.
4. Decreciente si para cada n se cumple que x
n
x
n+1
.
5. Montona si cumple con alguna de las anteriores (en ocasiones se habla de monotona es-
tricta si es estrictamente creciente o estrictamente decreciente)
EJEMPLOS:
1. Sea x
n
una sucesin de trminos positivos, es decir, x
n
0 para todo n y dena
a
n
=
n
k=1
x
k
Entonces, a
n
es una sucesin creciente; en efecto, para cada n se cumple
a
n+1
a
n
=
n+1
k=1
x
k
k=1
x
k
= x
n+1
0 = a
n+1
a
n
Algunos ejemplos de esto son las sucesiones que tienen por n-simo trmino:
a
n
= 1 +
1
1!
+
1
2!
+ +
1
n!
a
n
= 1 +
1
2
+
1
3
+ +
1
n
a
n
= 1 +
1
2
2
+
1
3
2
+ +
1
n
2
2. sen (n)
nN
no es una sucesin montona.
3. (1)
n
nN
no es una sucesin montona.
4. (1, 2, 3, 4, . . . ) es una sucesin estrictamente creciente.
5. (1, 2, 2, 3, 3, 3, 4, 4, 4, 4, 5, . . . ) es una sucesin creciente.
111
DEFINICIN 5.1.5 Considere una sucesin (x
n
) = (x
1
, x
2
, x
3
, . . . ). Una subsucesin de (x
n
) es
una nueva sucesin que se forma considerando algunos n digamos n
1
, n
2
, n
3
. . . que cumplen
n
1
< n
2
< n
3
< . . . < n
k
< Ms formalmente, una subsucesin de una sucesin es una
nueva sucesin que se forma al efectuar la composicin de la sucesin original con una funcin
Y : N N que es estrictamente creciente.
EJEMPLOS:
1. Dada la sucesin (x
n
) podemos extraer la subsucesin de los trminos de lugares pares
(x
2
, x
4
, x
6
, . . . ) = (x
2n
). Tambin podemos extraer la de los lugares impares (x
1
, x
3
, x
5
, . . . ) =
(x
2n1
). La primera corresponde a efectuar una composicin con la funcin Y : N N,
n Y (n) = 2n y la segunda con la funcin Y : N N, n Y (n) = 2n 1. Ambas
son estrictamente crecientes. Podramos tambin considerar Y : N N, n Y (n) = n
2
y
obtenemos la subsucesin
(x
1
, x
4
, x
9
, x
16
, . . . )
2. Considere la sucesin 1, 2, 2, 3, 3, 3, 4, 4, 4, 4, 5, . . . . Notar que en el lugar n = 1 est el 1. En
el lugar 1 + 2 est el 2; en el lugar 1 + 2 + 3 est el 3, en el lugar 1 + 2 + 3 + 4 est el 4. As:
x
1+2+3++n
= n
de donde
xn(n+1)
2
= n
Luego (1, 2, 3, . . . , n, . . . ) es una subsucesin de (1, 2, 2, 3, 3, 3, 4, 4, 4, 4, 5, . . . ).
3.
_
(1)
n(n+1)
2
_
es una subsucesin de (1)
n
. Sus primeros trminos son:
1, 1, 1, 1, 1, 1, 1, . . . .
4. Si (x
n
) es una sucesin entonces (x
n+1
) = (x
2
, x
3
, . . . ) es una subsucesin. Similarmente
(x
n+k
) es una subsucesin para k N.
5.2. CLASE 19: Convergencia de Sucesiones
5.2.1. El concepto de convergencia
Intuitivamente, el concepto de convergencia de una sucesin est relacionado con los valores
que toma la sucesin a medida que n crece (como el concepto de lmite). Si los valores estn tan
cerca como se quiera de un nmero L, a partir de un n en adelante, entonces decimos que la
sucesin converge a L. Ms formalmente:
112
Vernica Gruenberg Stern 5.2. CLASE 19: CONVERGENCIA DE SUCESIONES
DEFINICIN 5.2.1 Sea (x
n
) una sucesin y L un nmero real. Diremos que x
n
converge a L, o que
el lmite de la sucesin (x
n
) es L, si
> 0 N N : n N, n N = [x
n
L[ <
En tal caso escribiremos lm
n
x
n
= L o simplemente x
n
L.
OBSERVACIN:
Note que [x
n
L[ < es equivalente a pedir x
n
]L , L +[. Luego, la denicin de
convergencia nos dice que a partir de N en adelante, los valores de la sucesin x
n
(es decir,
x
N
, x
N+1
, x
N+2
, . . . ) se encontrarn en el intervalo anterior. Como el es cualquiera, en parti-
cular podemos pedir que sea tan pequeo como queramos, lo cual formaliza la idea de estar
tan cerca de L como se quiera.
Notemos tambin que
[x
n
L[ < [(x
n
L) 0[ <
[[x
n
L[ 0[ <
Esto nos dice que
_
lm
n
x
n
= L
_

_
lm
n
(x
n
L) = 0
_

_
lm
n
[x
n
L[ = 0
_
DEFINICIN 5.2.2 Una sucesin que posee lmite se dir convergente; en caso contrario se dice
divergente.
EJEMPLOS:
1. Consideremos la sucesin x
n
= a
n
con [a[ < 1, a ,= 0. Intuitivamente pareciera ser
que los valores de la sucesin se acercan a cero a medida que n crece; formalicemos esto:
Notemos que [x
n
[ = [a[
n
; luego
[a[ < 1 = 1 <
1
[a[
de donde
1 +d =
1
[a[
para algn nmero positivo d.
Entonces
_
1
[a[
_
n
= (1 +d)
n
=
n
k=0
_
n
k
_
d
k
_
n
1
_
d = nd
113
De esto obtenemos
1
nd
[a[
n
entonces
[x
n
0[ = [a[
n
<
1
nd
de donde
1
nd
<
1
d
< n
Estamos ahora en condiciones de mostrar que el lmite de esta sucesin es cero: Sea > 0
arbitrario; si n
__
1
d
+ 1
_
(la parte entera de
1
d
ms 1) entonces se cumple
[x
n
0[ <
En efecto: n
_
1
d
+ 1 >
1
d
= >
1
nd
. Pero
[x
n
0[ = [a[
n
<
1
nd
< = [x
n
0[ < lm
n
a
n
= 0
2. Mostremos que la sucesin x
n
=
n
n+1
1.
[x
n
1[ =
n
n + 1
1
1
n + 1
<
1
n
Luego, sea > 0; entonces, existe N
=
_
1
+ 1 tal que
n N
= [x
n
1[ <
En efecto: si n N
=
__
1
+ 1
_
entonces n
1
y as >
1
n
; pero
[x
n
1[ =
n
n + 1
1
1
n + 1
<
1
n
de donde
[x
n
1[ <
y luego, hemos demostrado
lm
n
_
n
n + 1
_
= 1
3. Considere la sucesin x
n
= (1)
n
. Vemos que esta sucesin toma los valores 1 y 1 en forma
alternada. Si la sucesin fuese convergente, es decir, si x
n
L, entonces debera existir un
N N tal que para todo n N:
[x
n
L[ <
1
4
114
Luego, si consideramos un n par mayor que N se cumplir
[1 L[ <
1
4

1
4
< L 1 <
1
4
3
4
< L <
5
4
y si consideramos un n impar mayor que N entonces se cumplir
[1 L[ = [1 +L[ <
1
4

1
4
< L + 1 <
1
4

5
4
< L <
3
4
Claramente, no existe ningn nmero en ambos intervalos, por lo que tal L no puede existir.
Es decir, lm
n
(1)
n
no existe, es decir (x
n
) diverge.
TEOREMA 5.2.1 (Unicidad) Si el lmite de una sucesin existe, entonces es nico.
Dem.: Sea (x
n
) la sucesin y supongamos que L
1
y L
2
son lmites de la sucesin. Si > 0 por
convergencia existirn naturales N
1
y N
2
tales que
n N
1
[x
n
L
1
[ <
n N
2
[x
n
L
2
[ <
Pues bien: si n max N
1
, N
2
, entonces
[L
1
L
2
[ = [L
1
x
n
+x
n
L
2
[
[x
n
L
1
[ +[x
n
L
2
[
< 2
As, como el nmero es arbitrario no queda otra opcin ms que L
1
= L
2
.
TEOREMA 5.2.2 (lgebra de lmites) Si x
n
A y y
n
B, entonces
1. lm
n
(x
n
+y
n
) = A+B
2. lm
n
(x
n
y
n
) = AB
3. lm
n
_
x
n
y
n
_
=
A
B
si B ,= 0.
115
EJEMPLOS:
1. Es fcil mostrar que
1
n
0. Del lgebra de lmites, se sigue que
1
n
p
0 para p N.
Utilizando 2. del teorema anterior con la sucesin constante () se sigue
n
k
0 cuando n
2. Calcular el lmite de la sucesin
x
n
=
3n
4
+ 2n + 1
2n
4
+ 1
Solucin: Notemos que
3n
4
+ 2n + 1
2n
4
+ 1
=
n
4
_
3 +
2
n
3
+
1
n
4
_
n
4
_
2 +
1
n
4
_ =
3 +
2
n
3
+
1
n
4
2 +
1
n
4
utilizando el lgebra de lmites y la observacin anterior se sigue que
lm
n
_
3n
4
+ 2n + 1
2n
4
+ 1
_
= lm
n
_
3 +
2
n
3
+
1
n
4
2 +
1
n
4
_
=
lm
n
_
3 +
2
n
3
+
1
n
4
_
lm
n
_
2 +
1
n
4
_
=
3 + 0 + 0
2 + 0 + 0
=
3
2
DEFINICIN 5.2.3 Sea (x
n
) una sucesin. Diremos que x
n
tiende a innito cuando n tiende a in-
nito, si
K > 0 N N : n N = x
n
> K
n
x
n
= +.
Anlogamente, diremos que x
n
tiende a menos innito cuando n tiende a innito, si
K < 0 N N : n N = x
n
< K
n
x
n
= .
EJEMPLOS:
n
= (1)
n
n
2
entonces x
n
,+. Note que a medida que n crece, la
sucesin alterna entre nmeros positivos y negativos que van creciendo en valor absoluto.
116
2. Si x
n
=
n
2
(0,5)
n
entonces lm
n
x
n
= +. En efecto,
0,5 < 1 1 <
1
0,5
1 <
1
(0,5)
n
as
x
n
=
n
2
(0,5)
n
> n
2
n
Se sigue entonces lo armado.
OBSERVACIN:
Si (x
n
) es una sucesin creciente y no acotada superiormente entonces lm
n
x
n
= +.
TEOREMA 5.2.3 Sean (x
n
) e (y
n
) sucesiones:
1. Si lm
n
x
n
= + y (y
n
) es una sucesin acotada inferiormente entonces
lm
n
(x
n
+y
n
) = +
2. Si lm
n
x
n
= + y existe > 0 tal que y
n
> para todo n N entonces
lm
n
(x
n
y
n
) = +
3. Si lm
n
x
n
= 0, x
n
> 0 para todo n N y existe > 0 tal que y
n
> para todo n N
entonces
lm
n
_
y
n
x
n
_
= +
5.2.2. Algunas propiedades de las sucesiones
TEOREMA 5.2.4 Si (x
n
) es una sucesin convergente a L entonces toda subsucesin (x
n
k
) converge
y tambin a L.
OBSERVACIN: Este teorema nos entrega un muy til criterio para decidir la divergencia de una
sucesin: si (x
n
) es una sucesin que posee una subsucesin divergente entonces diverge. Si (x
n
)
posee dos subsucesiones que convergen a lmites distintos entonces la sucesin diverge.
117
EJEMPLOS:
1. La sucesin x
n
= (1)
n
es divergente. En efecto: posee dos subsucesiones
x
2n
= 1 y x
2n1
= 1
que convergen pero a lmites diferentes.
2. Si
x
1
= 2 y x
n+1
=
1
x
n
para n 1
entonces (x
n
) no puede ser convergente. En efecto, si x
n
L entonces
1
x
n
1
L
Pero, como (x
n+1
) es una subsucesin, debiera tenerse que x
n+1
L. As
x
n+1
=
1
x
n
= L =
1
L
es decir
L
2
= 1
lo que no es posible en los nmeros reales.
3. La sucesin dada por x
n
= (1)
n
n
2
no es convergente; en efecto, la subsucesin x
2n
= 4n
2
diverge.
El siguiente teorema nos dice que para n grandes los trminos de la sucesin permanecen
cercadel lmite
TEOREMA 5.2.5 Si lm
n
x
n
= L y a < L entonces N N : n N se cumple a < x
n
.
Anlogamente, si a > L entonces K N : n K se cumple a > x
n
.
TEOREMA 5.2.6 Si lm
n
x
n
= L
1
, lm
n
y
n
= L
2
y se cumple N N n N, n N : x
n
y
n
entonces L
1
L
2
.
OBSERVACIN: x
n
< y
n
no implica necesariamente que L
1
< L
2
. Por ejemplo, considere las suce-
siones dadas por x
n
=
1
n
y y
n
=
1
n
. Entonces
x
n
< y
n
pero L
1
= L
2
= 0.
118
TEOREMA 5.2.7 Toda sucesin convergente es acotada.
Dem.: Sea (x
n
) una sucesin convergente, digamos, a L. Luego, para = 1, existe un N N tal
que para n N se cumple
[x
n
L[ < 1
Entonces
[x
n
[ < L + 1 para n N
Tomando M = max [x
1
[ , [x
2
[ , . . . , [x
N1
[ , L + 1 se sigue
[x
n
[ M n N
EJEMPLOS:
1. Sabemos que x
n
=
n
n + 1
converge a 1. Adems, sabemos que
[x
n
1[ <
1
n
Se deduce que para todo n N
[x
n
1[ < 1
y as
x
n
[0, 2]
2. Sabemos que
lm
n
_
3n
4
+ 2n + 1
2n
4
+ 1
_
=
3
2
Note adems que
3n
4
+ 2n + 1
2n
4
+ 1

3
2
4n 1
4n
4
+ 2
4n + 1
4n
4
+ 2
5n
4n
4
=
5
4n
3
Luego
x
n
3
2
<
5
4
de donde
x
n

_
1
4
,
11
4
_
TEOREMA 5.2.8 (de Bolzano-Weierstrass) Toda sucesin acotada posee una subsucesin conver-
gente.
119
EJEMPLO 5.2.1 Muestre que la sucesin dada por x
n
= sen n es divergente.
Solucin: Considere los intervalos I
k
=
_
2k +

6
, 2k +

2
para k 1. Note que la longitud

de I
k
es

2

6
=

3
> 1. Luego, cada I
k
debe tener un nmero natural, que llamaremos n
k
. Por
estar en ese tipo de intervalos se debe cumplir
1
2
sen (n
k
) 1. Por ser acotada, el teorema
de Bolzano-Weierstrass dice que sen (n
k
) debe tener una subsucesin convergente sen (n
k
l
) y
como sen (n
k
l
)
1
2
se sigue
lm
l
sen (n
k
l
)
1
2
Considere ahora los intervalos J
u
=
_
2u

2
, 2u

6
para u N. Note que la longitud de J

u
es

2

6
=

3
> 1. Se sigue que cada J
u
debe tener un natural que llamaremos n
u
. Se sigue que
1 sen (n
k
)
1
2
; luego, por ser acotada, el teorema de Bolzano-Weierstrass dice que sen (n
u
)
debe tener una subsucesin convergente
_
sen
_
n
up
__
y como sen
_
n
up
_

1
2
se sigue
lm
p
sen
_
n
up
_

1
2
Claramente
lm
p
sen
_
n
up
_
,= lm
l
sen (n
k
l
)
De esto obtenemos que (sen n) posee dos subsucesiones que convergen, pero a lmites diferentes;
as, (sen n) es una sucesin divergente.
5.2.3. Algunos resultados de convergencia
TEOREMA 5.2.9 Toda sucesin creciente y acotada superiormente converge. De manera similar,
toda sucesin decreciente y acotada inferiormente converge.
Dem.: Supongamos que (x
n
) es una sucesin creciente y acotada superiormente. Denamos
A = x
n
: n N R
Por hiptesis, A es no vaco y acotado superiormente; por el axioma del supremo, se sigue que
existe el supremo de este conjunto y lo denotaremos por l. Sea > 0 arbitrario. Como l < l se
sigue que l no es cota superior de A (l es la menor cota superior del conjunto), as existe un n
0
tal que
l < x
n
0
Como la sucesin es creciente, para n n
0
se sigue
x
n
0
x
n
de donde
l < x
n
0
x
n
120
Tambin, note que x
n
l para todo n N. Se sigue que
l < x
n
< l + n n
0
As, [x
n
l[ < . En conclusin, si (x
n
) es creciente y acotada superiormente entonces
lm
n
x
n
= sup x
n
: n N
(recordar que el supremo no tiene porque pertenecer al conjunto). Se deja de ejercicio mostrar el
caso decreciente y acotada inferiormente.
EJEMPLOS:
1. Sabemos que la sucesin x
n
=
n
k=0
1
k!
es creciente y acotada superiormente por 3. Por el
teorema anterior, sabemos que esta sucesin converge.
2. Estudie la convergencia de la sucesin denida por
a
1
=
2
a
n+1
=
2 +a
n
para n 1
Solucin: Notemos que a
1
< a
2
y a
2
< a
3
. Se puede demostrar por induccin que
a
n
a
n+1
para todo n N
Para el paso inductivo notar que
a
n
a
n+1
a
n
+ 2 a
n+1
+ 2
a
n
+ 2
_
a
n+1
+ 2
pero a
n+1
=
a
n
+ 2 y a
n+2
=
a
n+1
+ 2. As,
a
n
a
n+1
= a
n+1
a
n+2
Se sigue que la sucesin es creciente. Tambin es facil demostrar por induccin que
a
n
2 n N
Claramente,

2 2. Como antes, para el paso inductivo notamos que:
a
n
2 a
n
+ 2 4
a
n
+ 2
4
a
n+1
2
121
De esta forma, a
n
es una sucesin creciente y acotada superiormente por 2, luego converge.
En este caso podemos adems encontrar el lmite: como a
n+1
=
2 +a
n
si a
n
L,
entonces a
n+1
L (es una subsucesin) y note que

2 +a
n

2 +L. Entonces, por

unicidad del lmite, se sigue
L =
2 +L
de donde
L
2
L 2 = 0
L = 2 L = 1
Como a
n
0, se sigue L 0, y as la nica posibilidad es L = 2.
TEOREMA 5.2.10 (Del sandwich) Sean (x
n
) , (y
n
) y (z
n
) sucesiones. Si lm
n
x
n
= L, lm
n
y
n
= L
y se cumple x
n
z
n
y
n
n N
0
. Entonces (z
n
) converge y lm
n
z
n
= L.
El teorema del Sandwich para sucesiones es muy til para clculo de lmites, como ya vimos
en MAT021. Veamos algunos ejemplos:
EJEMPLOS:
n
=
n
a donde a > 0. Mostremos que lm

n
x
n
= 1. En efecto, si a > 1
entonces
n
a = 1 +d
n
donde d
n
0
Se sigue que
a = (1 +d
n
)
n
nd
n
y as
a
n
d
n
0
Por el teorema del Sandwich se sigue
lm
n
d
n
= 0
Luego, por lgebra de lmites
lm
n
n
a = lm
n
(1 +d
n
) = 1
Si 0 < a < 1 entonces
a =
1
d
, d > 1
Entonces
n
a =
1
n
d
122
Utilizando lo recin mostrado y el lgebra de lmites se sigue
lm
n
n
a = lm
n
_
1
n
d
_
=
1
lm
n
n
d
= 1
Si a = 1, es claro.
2. Calcular lm
n
n
2
n
+ 3
n
.
Solucin: Note que
3
n
2
n
+ 3
n
3
n
+ 3
n
de donde
3
n
2
n
+ 3
n
2 3
n
= 3
n
2
Pero
lm
n
3 = lm
n
_
3
n
2
_
= 3
y por el teorema del Sandwich:
lm
n
n
2
n
+ 3
n
= 3
3. Calcular
lm
n
n
i=1
_
1
n
2
+i
_
Solucin: Notemos que
n
2
+ 1 n
2
+i n
2
+n i = 1, 2, . . . , n
Entonces
_
n
2
+ 1
_
n
2
+i
_
n
2
+n
As, para i = 1, 2, . . . , n:
1
n
2
+n
n
2
+i
n
2
+ 1
de donde
n
i=1
_
1
n
2
+n
_
i=1
_
1
n
2
+i
_
i=1
_
1
n
2
+ 1
_
Pero
n
i=1
_
1
n
2
+n
_
=
n
n
2
+n
y
n
i=1
_
1
n
2
+ 1
_
=
n
n
2
+ 1
entonces
n
n
2
+n
i=1
_
1
n
2
+i
_
n
2
+ 1
Aplicando el teorema del Sandwich, se obtiene
lm
n
n
i=1
_
1
n
2
+i
_
= 1
123
Ahora enunciaremos un teorema que relaciona el clculo de lmites de funciones con el clculo
de lmites de sucesiones, lo que es muy til pues ya contamos con la regla de LHpital.
TEOREMA 5.2.11 Si lm
x
f (x) = L y x
n
= f (n) entonces lm
n
x
n
= L.
EJEMPLOS:
1. Sea x
n
=
_
1 +
1
n
_
n
. Deniendo f (x) =
_
1 +
1
x
_
x
vemos que f (n) = x
n
y
lm
n
x
n
= lm
x
_
1 +
1
x
_
x
= e
2. Sea x
n
=
n
n. Deniendo f (x) = x
1/x
y calculando lm
x
x
1/x
= 1 se sigue
lm
n
n
n = 1
Este lmite tambin se puede calcular a travs del teorema del Sandwich.
TEOREMA 5.2.12 Si (x
n
) es una sucesin que converge a cero y (y
n
) es una sucesin acotada enton-
ces (x
n
y
n
) converge a cero.
EJEMPLO 5.2.2
lm
n
_
sen n
n
_
= 0
Note que sen n no converge pero, como
_
1
n
_
0, slo necesitamos que est acotada.
TEOREMA 5.2.13 Sea A R un conjunto que es unin de intervalos abiertos. Sea f : A R una
funcin y a A. La funcin f es continua en a si y solo si para toda sucesin (a
n
) con a
n
A,
n N y a
n
a se cumple f (a
n
) f (a).
EJERCICIOS: Determine si las siguientes sucesiones convergen. En caso armativo, determine su
lmite.
1. (a
n
) =
_
n + 4
2n + 1
_
2. (a
n
) = (
n + 1
n)
3. (a
n
) =
_
n
2n + 1
sen
n
2
_
4. (a
n
) =
_
2 + 2n
1 + 2n
_
124
Vernica Gruenberg Stern 5.3. CLASE 20: SERIES NUMRICAS
5.3. CLASE 20: Series Numricas
DEFINICIN 5.3.1 Una serie de nmeros reales es un par ordenado ((a
k
) , (S
n
)) de sucesiones de
nmeros reales las cuales estn relacionadas de la siguiente forma:
n N : S
n
= a
1
+a
2
+ +a
n
=
n
k=1
a
k
o equivalentemente
k N : a
k
= S
k
S
k1
donde tomamos S
0
= 0 por convencin.
La primera sucesin del par es llamada sucesin de trminos de la serie y la segunda sucesin
es llamada sucesin de sumas parciales de la serie.
Por simplicidad utilizaremos la sugerente notacin histrica para una serie ((a
k
) , (S
n
))
+
k=1
a
k
((a
k
) , (S
n
))
En esta notacin encontramos de manera explcita la sucesin de trminos (a
k
) y la sucesin de
sumas parciales es dada por
S
n
=
n
k=1
a
k
OBSERVACIN:
Si ((a
k
) , (S
n
)) es una serie, cada una de las sucesiones que la conforma determina la otra.
En algunos casos es conveniente usar la sucesin de trminos en la forma a
m
, a
m+1
, a
m+2
para algn m Z; en tal caso usamos la notacin para la serie
k=m
a
k
DEFINICIN 5.3.2 Diremos que la serie
+
k=1
a
k
converge, si existe un nmero real L tal que la
sucesin de sumas parciales S
n
converge a L, es decir
lm
n+
S
n
= L
125
En este caso, escribimos
lm
n+
S
n
=
+
k=1
a
k
= L
Si la serie no converge diremos que es divergente.
EJEMPLOS:
1. La serie
+
k=1
k es divergente.
En efecto, la sucesin de sumas parciales S
n
=
n
k=1
k =
n(n + 1)
2
, de donde
lm
n
S
n
= lm
n
_
n(n + 1)
2
_
= +
2. La serie
+
k=1
1
2
k
es convergente.
En efecto, la sucesin de sumas parciales es S
n
=
n
k=1
1
2
k
=
1
2
1
1
2
n
1
2
, entonces
lm
n
S
n
= lm
n
_
1
2

1
2
n+1
1
2
_
= 1
+
k=1
a
k
y
+
k=1
b
k
dos series convergentes a A y B respectivamente. Sea
tambin R entonces:
1.
+
k=1
(a
k
) = A
2.
+
k=1
(a
k
+b
k
) =
_
+
k=1
a
k
_
+
_
+
k=1
b
k
_
= A+B
EJERCICIOS: Es convergente la serie
+
k=1
_
k
1
3
k
_
?
126
Vernica Gruenberg Stern 5.3. CLASE 20: SERIES NUMRICAS
PROPOSICIN 5.3.2 Si
+
k=1
a
k
es una serie convergente, entonces lm
k
a
k
= 0.
Dem.: Si lm
n
S
n
= L, entonces
lm
n
a
n
= lm
n
(S
n
S
n1
) = lm
n
S
n
lm
n
S
n1
= L L = 0
OBSERVACIN: La proposicin anterior nos entrega una condicin necesaria pero no suciente para
la convergencia de una serie. Es decir, para que
+
k=1
a
k
converja, es necesario que lm
k
a
k
= 0. Sin
embargo, sto no es suciente. De esta manera, al menos se dispone de un criterio para determinar
la divergencia de algunas series: si
+
k=1
a
k
es una serie en la cual lm
n
a
n
,= 0, entonces
+
k=1
a
k
diverge.
El siguiente ejemplo muestra que, a pesar que lm
k
a
k
= 0, una serie puede ser divergente.
EJEMPLOS:
1. La serie
+
k=1
ln
_
k
k + 1
_
diverge.
En efecto: S
n
=
n
k=1
ln
_
k
k + 1
_
=
n
k=1
(ln k ln (k + 1)) = ln (n + 1), de donde
lm
n+
ln (n + 1) =
y luego la serie diverge. Pero, note que
lm
k
ln
_
k
k + 1
_
= 0
2. Determine los valores de a R
+
para los cuales diverge la serie
n=0
an + 1
3an + 2
.
Solucin: Supongamos que existe algn a R para el cual la serie converge. En este
caso, se debiera cumplir que lm
n
an + 1
3an + 2
= 0. Pero, lm
n
an + 1
3an + 2
=
1
3
, a R
+
.
Luego, la serie diverge a R
+
.
127
EJERCICIOS: Muestre que las siguientes series divergen:
1.-
+
k=1
(1)
k
2.-
+
k=1
1
k
k
3.-
+
k=1
k
ln k
4.-
+
k=1
k!
2k! + 1
En general, encontrar expresiones explcitas para las sumas parciales no es tarea fcil y solo en
contados casos es conveniente analizar la convergencia de una serie de esta manera. Veremos dos
ejemplos muy importantes en los cuales podemos encontrar expresiones para las sumas parciales.
DEFINICIN 5.3.3 Sea (b
k
) una sucesin de nmeros reales. La serie
+
k=1
(b
k
b
k+1
) se llama serie
telescpica.
PROPOSICIN 5.3.3 Una serie telescpica
+
k=1
(b
k
b
k+1
) es convergente si y solo si la sucesin
(b
k
) es convergente y, en tal caso,
+
k=1
(b
k
b
k+1
) = b
1
lm
k
b
k
Dem.: Simplemente encontrar la expresin de las sumas parciales y tomar lmite.
EJEMPLOS:
1. Mostrar que la serie
+
k=1
1
4k
2
1
converge, y encuentre su lmite.
2. Muestre que
k=1
k + 1
k
2
+k
= 1
DEFINICIN 5.3.4 Sean a, r R, r, a ,= 0. Una serie de la forma
k=0
ar
k
se llama serie geomtrica
de razn r.
OBSERVACIN: Note que, si a = 0 o r = 0, el valor de este lmite es 0.
PROPOSICIN 5.3.4 La serie
k=0
ar
k
converge si y solo si [r[ < 1; en este caso
k=0
ar
k
=
a
1 r
128
Vernica Gruenberg Stern 5.4. CRITERIOS DE CONVERGENCIA DE SERIES
Dem.: Se basa en la suma de una progresin geomtrica.
Si r = 1 entonces S
n
= an y es clara la divergencia.
Supongamos que r ,= 1; entonces
S
n
= a +ar + +ar
n1
se sigue
S
n
= a
_
1 r
n
1 r
_
luego, si [r[ < 1:
lm
n
S
n
= lm
n
a
_
1 r
n
1 r
_
=
a
1 r
si [r[ > 1: lm
k
ar
n
,= 0, luego la serie diverge.
si r = 1, a
k
= a (1)
k
y vale el mismo razonamiento anterior.
EJEMPLOS:
1. Calcular
+
k=2
(1)
k
2
k
3
k+1
2. Para qu valores de x R es convergente la serie
+
k=1
_
(1)
n
x
n
+ 3
n
x
2n
4
n
_
?
5.4. Criterios de convergencia de Series
5.4.1. Criterio de la integral. Criterio de comparacin y comparacin al lmite.
Como una serie no es sino una sucesin de sumas parciales, una serie ser convergente si lo es
la correspondiente sucesin de sumas parciales. Si a
k
0 para todo k N decimos que la serie
k=1
a
k
es una serie de trminos positivos. En este caso, la sucesin de sumas parciales S
n
satisface
S
n+1
S
n
= a
n+1
0 S
n+1
S
n
n N
As, S
n
es una sucesin creciente, y luego converge si y solo si es acotada. Por lo tanto, en el caso
de series de trminos positivos, ellas sers convergentes si y solo si la sucesin de sumas parciales
es acotada, como se enuncia en el siguiente
129
TEOREMA 5.4.1 Sea a
k
una sucesin de trminos positivos. Entonces, la serie
k=1
a
k
converge
si y solo si la sucesin de sumas parciales
S
n
=
n
k=1
a
k
es acotada; en tal caso:
k=1
a
k
= sup S
n
: n N
EJEMPLO 5.4.1 La serie
k=1
_
2
k
+k
3
k
+k
_
es convergente. En efecto:
2
k
+k
3
k
+k

2
k
+ 2
k
3
k
2
_
2
3
_
k
luego
S
n
=
n
k=1
_
2
k
+k
3
k
+k
_
k=1
2
_
2
3
_
k
2
k=1
_
2
3
_
k
= 4
Luego, la sucesin de sumas parciales est acotada y la serie converge.
Vamos a enunciar algunos criterios que explotan esta idea de acotamiento para mostrar conver-
gencia de series, tal como se hizo ya en clculo, para el anlisis de convergencia de las integrales
impropias.
TEOREMA 5.4.2 (Criterio de la integral) Sea f : [1, +[ R
+
una funcin continua (a valores
positivos) y decreciente en [1, +[. Si
a
k
= f (k) para k N, entonces
k=1
a
k
converge
_

1
f (x) dx converge.
Dem.: Note que para x [k 1, k]:
a
k
= f (k) f (x) f (k 1) = a
k1
de donde
a
k

_
k
k1
f (x) dx a
k1
para k 2
entonces
n
k=2
a
k

_
n
1
f (x) dx
n1
k=1
a
k
130
se sigue que
S
n
x
1

_
n
1
f (x) dx S
n1
Si
_
+
1
f (x) dx < (es decir, si la integral impropia converge) entonces S
n
es acotada y luego
converge; ahora, si
_
+
1
f (x) dx diverge, como
_
n
1
f (x) dx S
n1
la serie es divergente.
OBSERVACIN: La integral y la serie no necesariamente convergen al mismo valor.
EJEMPLOS:
1. La serie
k=1
1
k
p
converge si y solo si p > 1. En particular,
k=1
1
k
diverge.
2. La serie
k=2
1
nln n
es divergente.
TEOREMA 5.4.3 (Criterio de comparacin) Sean a
k
y b
k
sucesiones tales que 0 a
k
b
k
pa-
ra cada k k
0
. Si
k=1
a
k
diverge entonces
k=1
b
k
diverge y si
k=1
b
k
converge entonces
k=1
a
k
converge.
EJERCICIOS: Analizar la convergencia de las siguientes series:
1.
k=1
1
2
n + 3n
2.
k=1
1
2
n
+ 1
3.
k=1
1
n + ln n
4.
k=1
1
n
3
+ 3n + 4
5.
k=1
3 sen
2
n
n!
131
TEOREMA 5.4.4 (Criterio de comparacin al lmite) Sean a
k
y b
k
sucesiones de nmeros posi-
tivos tales que
lm
k
a
k
b
k
= L > 0; entonces
k=1
a
k
converge
k=1
b
k
converge.
EJERCICIOS: Analizar la convergencia o divergencia de las siguientes series:
1.
k=1
3n
3
5n
2
2n
6
+ 4n 1
2.
k=1
1
3
n
3
+ 1
3.
k=1
arc tan
_
1
n
2
_
132
5.4.2. CLASE 21: Criterios del cuociente y de la raz
Los criterios de comparacin directa y comparacin al lmite utilizan la convergencia o diver-
gencia de una serie auxiliar para concluir sobre la convergencia o divergencia de la serie dada.
Ahora mostraremos dos criterios que utilizan el comportamiento de la misma serie para concluir
sobre su convergencia o divergencia.
TEOREMA 5.4.5 (Criterio del cuociente) Sea x
n
nN
una sucesin de nmeros reales no nulos ta-
les que
lm
n
x
n+1
x
n
= r
entonces:
1. Si 0 r < 1 entonces
n=1
[x
n
[ y
n=1
x
n
convergen.
2. Si r > 1 entonces
n=1
[x
n
[ y
n=1
x
n
divergen.
3. Si r = 1 entonces el criterio no entrega informacin.
Dem.: Supongamos que 0 r < 1 y sea R =
_
r+1
2
_
entonces r < R < 1. Como lm
n
x
n+1
x
n
= r
se sigue que
N
0
N tal que para n N
0
:
x
n+1
x
n
R
De esta forma
[x
n+1
[
R
n+1

[x
n
[
R
n
para n N
0
.
As, a
n
=
[x
n
[
R
n
es una sucesin decreciente, luego para n N
0
: a
n
a
N
0
Se sigue, para n N
0
:
[x
n
[
R
n
a
N
0
= [x
n
[ a
N
0
R
n
Por el criterio de comparacin:
n=N
0
[x
n
[ converge y as
n=1
[x
n
[ converge.
Ahora bien, podemos escribir
[x
n
[ =
[x
n
[ x
n
2
+
[x
n
[ +x
n
2
133
y las series
n=1
_
[x
n
[ x
n
2
_
,
n=1
_
[x
n
[ +x
n
2
_
son series de trminos positivos y convergen por comparacin directa con la serie
n=1
[x
n
[ pues
[x
n
[ x
n
2
[x
n
[ y
[x
n
[ +x
n
2
[x
n
[
Luego
n=1
x
n
=
n=1
_
[x
n
[ +x
n
2
_
n=1
_
[x
n
[ x
n
2
_
es convergente.
Si r > 1 es fcil mostrar el lmite del trmino general no puede ser cero y por tanto ambas series
son divergentes.
Cuando r = 1 el criterio no entrega informacin. Basta notar, por ejemplo, que
n=1
1
n
es divergente y
n=1
1
n
2
es convergente
y para ambas se obtiene r = 1.
EJERCICIOS: Analizar la convergencia o divergencia de las siguientes series.
1.
n=1
(2)
n
n!
2.
n=1
(1)
n
n
25
3
n+1
3.
n=1
n!
n
n
4.
n=1
n!
5
n
TEOREMA 5.4.6 (Criterio de la raz) Sea x
n
nN
una sucesin de nmeros reales tales que
lm
n
n
_
[x
n
[ = r.
Entonces:
1. Si 0 r < 1 entonces
n=1
[x
n
[ y
n=1
x
n
convergen.
2. Si r > 1 entonces
n=1
[x
n
[ y
n=1
x
n
divergen.
134
Vernica Gruenberg Stern 5.5. SERIES ALTERNADAS
3. Si r = 1, el criterio no entrega informacin.
OBSERVACIN: La demostracin es similar a la del teorema anterior.
EJERCICIOS:
1. Decidir si las siguientes series son o no convergentes:
a)
n=3
1
(ln n)
n
b)
n=1
_
n
2n + 1
_
n
c)
n=1
_
ln n
1000
_
n
2. Para qu valores x R es convergente la serie
n=1
x
n
+ 2x
2n
n
?
5.5. Series Alternadas
DEFINICIN 5.5.1 Diremos que una serie es alternante o alternada si sus trminos se alternan entre
positivo y negativo, es decir, tienen la forma (1)
n
a
n
o (1)
n+1
a
n
donde a
n
0 para todo
n N.
EJEMPLO 5.5.1 Son series alternates
n=1
(2)
n
n!
,
n=1
(1)
n
n
y
n=1
(1)
n
TEOREMA 5.5.1 (Criterio de Leibnitz) Sea (x
n
)
nN
una sucesin de trminos positivos decreciente
tales que
lm
n
x
n
= 0
Entonces, la serie alternada
n=1
(1)
n+1
x
n
converge, y adems
[S S
n
[ < [x
n+1
[
Esta ltima relacin permite medir la rapidez de convergencia.
135
EJEMPLOS: Las series
n=1
(1)
n+1
n
y
n=1
(1)
n
ln n
n
son convergentes.
Veamos a qu valor converge la serie
n=1
(1)
n+1
n
. Recordemos que
1 +x +x
2
+ +x
n
=
1 x
n+1
1 x
para x ,= 1
Reemplazando x por x se sigue que
1 x +x
2
+ (1)
n
x
n
=
1 (1)
n+1
x
n+1
1 +x
para x ,= 1
Si integramos la igualdad anterior obtenemos
x
x
2
2
+
x
3
3
+ (1)
n
x
n+1
n + 1
=
_
x
0
_
1 (1)
n+1
t
n+1
1 +t
_
dt para x > 0.
Si evaluamos en x = 1 se obtiene
1
1
2
+
1
3
+
(1)
n
n + 1
=
_
1
0
_
1 (1)
n+1
t
n+1
1 +t
_
dt
=
_
1
0
_
1
1 +t
_
dt +
_
1
0
_
(1)
n+1
t
n+1
1 +t
_
dt
Pero
_
1
0
_
1
1 +t
_
dt = ln 2
entonces
n
k=0
(1)
k
k + 1
= ln 2 +
_
1
0
_
(1)
n+1
t
n+1
1 +t
_
dt
luego, si ponemos
S
n
=
n
k=0
(1)
k
k + 1
entonces
[S
n
ln 2[ =
_
1
0
t
n+1
1 +t
dt
Como t [0, 1] : 1 1 +t 2 y luego
1
1 +t
1
136
Vernica Gruenberg Stern 5.5. SERIES ALTERNADAS
As
[S
n
ln 2[
_
1
0
t
n+1
1 +t
dt
_
1
0
t
n+1
dt =
1
n + 2
se sigue que
k=0
(1)
k
k + 1
=
k=1
(1)
k+1
k
= ln 2
es decir
1
1
2
+
1
3

1
4
+
1
5
= ln 2
5.5.1. Convergencia condicional y absoluta
Las series de trminos generales no tienen porqu ser alternantes; por ejemplo la serie
n=1
sen n
n
2
no es alternante pero tampoco es de trminos positivos.
Los criterios de razn y cuociente no entregan informacin. Sin embargo, con las herramientas
que tenemos podemos analizar su convergencia. Notemos que
sen n
n
2

1
n
2
entonces
1
n
2

sen n
n
2

1
n
2
se sigue
0
sen n + 1
n
2

2
n
2
Por comparacin directa
n=1
_
sen n + 1
n
2
_
es convergente, y de esta forma
n=1
sen n
n
2
=
n=1
_
sen n + 1
n
2
_
n=1
1
n
2
es convergente.
En este caso, note que era fcil analizar la convergencia de de la serie de trminos positivos
n=1
sen n
n
2
comparndola directamente con
n=1
1
n
2
.
137
TEOREMA 5.5.2 Si la serie
n=1
[x
n
[ converge entonces
n=1
x
n
converge.
Dem.: Utilizar
[x
n
[ =
[x
n
[ x
n
2
+
[x
n
[ +x
n
2
y comparacin para obtener la convergencia de
n=1
x
n
como en la demostracin del criterio del
cuociente.
OBSERVACIN: El recproco no es cierto. Considere, por ejemplo, la serie
k=1
(1)
k+1
k
que es con-
vergente, pero
k=1
(1)
k+1
k
k=1
1
k
no lo es.
DEFINICIN 5.5.2 Una serie
k=1
x
k
se dice absolutamente convergente si
k=1
[x
k
[ es convergente.
Si
k=1
x
k
converge pero
k=1
[x
k
[ diverge, diremos que es condicionalmente convergente.
EJERCICIOS: Decidir si las series
k=1
(1)
n
n + ln n
y
k=1
(2)
n
n
2
3
n
son absoluta o condicionalmente convergentes.
Reordenamiento de series
Sabemos que
k=1
(1)
k+1
k
= ln 2
es condicionalmente convergente, si reordenamos la serie en la forma
1
1
2
+
1
3

1
4
+
1
5

1
6
+
1
7

1
8
+
1
9

1
10
+
1
11

1
12
. . .
=
_
1
1
2
_
1
4
+
_
1
3

1
6
_
1
8
+
_
1
5

1
10
_
1
12
+
_
1
7

1
14
_
=
1
2

1
4
+
1
6

1
8
+
1
10

1
12
+
1
14
...
=
1
2
_
1
1
2
+
1
3

1
4
+
1
5

1
6
+
1
7
. . .
_
=
1
2
ln 2
138
entonces si podemos reordenar los sumandos obtenemos
ln 2 =
1
2
ln 2
contradiccin!!!
En las series, que son sumas innitas, no da lo mismo el orden en que sumen los trminos.
TEOREMA 5.5.3 Si
a
n
es una serie absolutamente convergente entonces todos los reordenamien-
tos convergen al mismo valor.
1. Estudie la convergencia absoluta y condicional de la serie
n=0
(1)
n+1
2n + 1
.
2.
3.
139
140
Captulo 6
Series de Potencias
6.1. CLASE 22: Series de Potencias
DEFINICIN 6.1.1 Sea C
n
nN{0}
una sucesin de nmeros reales y sea x
0
R. Una serie de
potencias es una serie de la forma
+
n=0
C
n
(x x
0
)
n
(donde usamos la convencin (x x
0
)
0
= 1). Los trminos de la sucesin se llaman coecientes de
la serie de potencias.
EJEMPLOS:
1. Las series
+
n=0
x
n
n!
,
+
n=0
x
n
n
,
+
n=0
(x 2)
n
2
n
son series de potencias, en cambio,
+
n=0
cos(nx)
n
2
+ 1
no es una serie de potencias.
2. Notar que
+
n=0
x
n
converge si [x[ < 1 y diverge si [x[ 1. Adems,
1
1 x
=
+
n=0
x
n
, x ] 1, 1[
Luego, la serie converge en un intervalo; esta propiedad es una caracterstica comn a las
series de potencias.
Por simplicidad de clculos pongamos x
0
= 0
TEOREMA 6.1.1 Si una serie de potencias
+
n=0
C
n
x
n
converge en x = a, a ,= 0, entonces converge
absolutamente x: [x[ < [a[. Si la serie diverge en x = b, b ,= 0, entonces diverge x: [x[ > [b[.
141
CAPTULO 6. SERIES DE POTENCIAS Vernica Gruenberg Stern
Dem.: Sea b R con [b[ < [a[. Como la serie
+
n=0
C
n
a
n
converge, se sigue que
lm
n
C
n
a
n
= 0 N : n N [C
n
a
n
[ < 1
As, [C
n
[ <
1
[a[
n
, n N = [C
n
b
n
[ <
b
a
n
, n N
Pero [b/a[ < 1 =
b
a
n
converge y as
[C
n
b
n
[ converge.
n=0
C
n
b
n
converge absolutamente.
Suponga que
+
n=0
C
n
d
n
diverge y [h[ > [d[; si
+
n=0
C
n
h
n
converge, se produce una contradiccin con
la parte anterior.
COROLARIO 6.1.1 Para una serie de potencias de la forma
+
n=0
C
n
x
n
se cumple una y slo una de
las siguientes:
a)
+
n=0
C
n
x
n
converge slo para x = 0.
b)
+
n=0
C
n
x
n
converge para todo x R.
c) Existe R R
+
tal que
x : [x[ < R
+
n=0
C
n
x
n
converge absolutamente
x : [x[ > R
+
n=0
C
n
x
n
diverge
Dem.: Sea
I =
_
x R0 :
+
n=0
C
n
x
n
converge
_
y suponga que I ,= R; entonces existe x
0
R, x
0
,= 0 :
+
n=0
C
n
x
n
0
converge, y x
1
:
+
n=0
C
n
x
n
1
diverge. Luego, I ,= y es acotado superiormente, por lo tanto tiene supremo. Sea R = sup I.
Luego, por el teorema anterior este R tiene las propiedades dadas.
142
Vernica Gruenberg Stern 6.1. CLASE 22: SERIES DE POTENCIAS
DEFINICIN 6.1.2 El valor de R del teorema anterior se llama radio de convergencia de la serie y, por
convencin, en el primer caso se dice que R = 0 y en (b) R = .
OBSERVACIN:
El mismo resultado es aplicable a las series de la forma
+
n=0
C
n
(x x
0
)
n
.
Basta poner u = x x
0
de donde la serie queda
+
n=0
C
n
u
n
R : [u[ < R converge,
[u[ > R diverge.
En resumen, se cumple uno de los siguientes:
I.- La serie converge slo para x = x
0
.
II.- La serie converge para todo x R.
III.- Existe un R > 0, llamado radio de convergencia, tal que
+
n=0
C
n
(x x
0
)
n
a) converge absolutamente si [x x
0
[ < R.
b) diverge si [x x
0
[ > R.
Los puntos extremos del intervalo ]x
0
R, x
0
+ R[ se deben analizar por separado y dan
origen al intervalo de convergencia que es el conjunto en el cual la serie de potencias converge.
Este conjunto slo puede tener alguna de las siguientes formas:
x
0
, R, [a, b[, [a, b], ]a, b], ]a, b[
R
+
no puede ser el intervalo de convergencia de una serie de potencias.
EJEMPLOS: Hallar el intervalo de convergencia de las series:
a)
+
n=0
n
n
x
n
b)
+
n=0
x
n
n!
c)
+
n=1
x
n
n
d)
+
n=1
x
n
n
2
e)
+
n=1
(x 3)
2n
n
2
5
n
143
Solucin:
a) Apliquemos el criterio de la raz:
n
a
n
=
n
_
n
n
[x[
n
= n[x[, de donde
lm
n
n
_
n
n
[x[
n
= lm
n
n[x[ = + si x ,= 0
Luego, la serie diverge para x ,= 0. El intervalo de convergencia para
+
n=0
n
n
x
n
es 0.
b) En este caso, aplicamos el criterio del cuociente:
[a
n+1
[
[a
n
[
=
|x|
n+1
(n+1)!
|x|
n
n!
=
[x[
n + 1
lm
n
[a
n+1
[
[a
n
[
= 0 x R
Luego,
+
n=0
x
n
n!
converge x R.
c) lm
n
n
_
[x[
n
n
= lm
n
[x[
n
n
= [x[. Luego, la serie
+
n=1
x
n
n
converge si [x[ < 1y diverge si
[x[ > 1. Analicemos qu sucede si [x[ = 1:
x = 1 :
+
n=1
1
n
, que diverge (serie armnica)
x = 1 :
+
n=1
(1)
n
n
, que converge, por el criterio de Leibnitz
Por lo tanto, el intervalo de convergencia es [1, 1[.
d) lm
n
n
_
[x[
n
n
2
= [x[. Luego, la serie
+
n=1
x
n
n
2
converge si [x[ < 1 y diverge si [x[ > 1. Ahora
analizamos [x[ = 1:
x = 1 :
+
n=1
1
n
2
converge
x = 1 :
+
n=1
(1)
n
n
2
converge
El intervalo de convergencia es [1, 1].
e) Notemos que lm
n
n
_
(x 3)
n
n
2
5
n
=
[x 3[
2
5
. As, la serie converge si [x3[ <
5 y diverge
si [x 3[ >
5. Si [x 3[ =
5, la serie es
+
n=1
1
n
2
, que converge. Finalmente el intervalo
de convergencia es I =
_
3
5, 3 +
.
144
OBSERVACIN: Si una serie de potencias
+
n=0
C
n
(x x
0
)
n
tiene radio de convergencia R > 0
entonces es posible denir una funcin
f : ]x
0
R, x
0
+R[ R
x f(x) =
+
n=0
C
n
(x x
0
)
n
Podemos preguntarnos, es f continua? es f derivable?
Si f(x) =
+
n=0
C
n
(x x
0
)
n
se dice que f est expresada como serie de potencias. Se presentan
dos problemas fundamentales:
I.- Si una funcin est dada como serie de potencias, determinar sus propiedades.
II.- Dada una funcin f es expresable en serie de potencias? Por ejemplo, es posible expresar
la funcin f(x) = e
x
como serie de potencias?
TEOREMA 6.1.2 Si f(x) =
+
n=0
C
n
(x x
o
)
n
es una serie de potencias de radio de convergencia
R > 0 entonces
+
n=1
nC
n
(x x
0
)
n1
tiene el mismo radio de convergencia. Adems,
f
(x) =
+
n=1
nC
n
(x x
0
)
n1
x, [x x
0
[ < R
COROLARIO 6.1.2 Si f(x) =
+
n=0
C
n
(x x
0
)
n
tiene radio de convergencia R > 0, entonces f es
continua en ]x
0
R, x
0
+R[.
OBSERVACIN: Para los extremos del intervalo no hay informacin, se debe analizar caso a caso y
por separado.
COROLARIO 6.1.3 Si R > 0 es el radio de convergencia de la serie
f(x) =
+
n=0
C
n
(x x
0
)
n
entonces f C
(]x
0
R, x
0
+R, [). Adems, los coecientes son
f
(k)
(0)
k!
= C
k
145
EJEMPLO 6.1.1 La funcin denida por la serie f(x) =
+
n=0
x
n
n!
tiene radio de convergencia in-
nito, f adems es C
(R) y se tiene que:

f
(x) =
+
n=1
x
n1
(n 1)!
=
+
n=0
x
n
n!
= f(x)
Adems f(0) = 1. Existe una nica funcin que cumple esas dos propiedades:
e
x
=
+
n=0
x
n
n!
En efecto, supongamos que f
(x) = f (x) en R y f (0) = 1. Si

g(x) = e
x
f(x) g
(x) = 0 g(x) = cte g(x) = 1 f(x) = e

x
TEOREMA 6.1.3 (Integracin de series de potencias) Sea f(x) =
+
n=0
C
n
x
n
una serie de potencias
con radio de convergencia R > 0, entonces x ] R, R[,
_
x
0
f(t) dt =
_
x
0
_
+
n=0
C
n
t
n
_
dt =
+
n=0
C
n
n + 1
x
n+1
EJEMPLOS:
1. Tenemos que
1
1 x
=
+
n=0
x
n
, [x[ < 1. Entonces:
1
1 +x
=
+
n=0
(1)
n
x
n
[x[ < 1
luego
ln(1 +x) =
+
n=0
(1)
n
x
n+1
n + 1
[x[ < 1
2. Notemos que
1
1 +x
2
=
+
n=0
(1)
n
x
2n
[x[ < 1. Luego
arc tan (x) =
+
n=0
(1)
n
x
2n+1
2n + 1
[x[ < 1
146
3. Es importante explicitar en torno a qu punto se calcular la serie de potencias de una funcin
que la admita. Considerar, por ejemplo, la funcin f(x) =
1
2 +x
.
1
2 +x
=
1
2

1
1 +
x
2
=
1
2
n=0
(1)
n
_
x
2
_
n
=
n=0
(1)
n
x
n
2
n+1
,
x
2
< 1.
1
2 +x
=
1
1 + (1 +x)
=
n=0
(1)
n
(x + 1)
n
, [x + 1[ < 1.
donde en ambos casos se ha utilizado el resultado del ejemplo 1.-
El primer desarrollo corresponde a una serie de potencias de la funcin alrededor de x = 0,
mientras que el segundo se realiza en torno de x = 1.
EJERCICIOS:
1. Expresar
1
1 x
en serie de potencias con centro en 1.
2. Hallar serie de potencias para
2x
x
2
+ 1
,
3x 1
x
2
1
centrada en x = 0
3. Sea
f(x) =
_
_
_
e
x
1
x
x ,= 0
1 x = 0
muestre que f C
(R). Encuentre su serie de potencias.

4. Muestre que
_
1
0
e
x
2
dx =
+
n=0
(1)
n
(2n + 1)n!
como es alternante
[I S
N
[ [a
N+1
[
5. Calcule el valor de
+
n=0
n
2
n
147
6.2. CLASE 23: Polinomios y Series de Taylor y MacLaurin
6.2.1. Polinomios de Taylor
Si f : I R R es una funcin derivable en x = x
0
entonces
f
(x) = lm
xx
0
f(x) f(x
0
)
x x
0
esto signica que para x x
0
f(x) f(x
0
) = (x x
0
)f
(x
0
)
0 f(x) f(x
0
) +(xx
0
)f
(x
0
) esto es, los valores de f(x) se aproximan por el polinomio de grado
1 p(x) = f(x
0
) + (x x
0
)f
(x
0
). Es lgico pensar que mientras mas derivable es la funcin mejor
es la aproximacin que podremos realizar.
DEFINICIN 6.2.1 Dado n N y f : I R R una funcin nveces derivable en x
0
I, se
dene el nsimo polinomio de Taylor de f alrededor de x
0
como:
P
x
0
n
(x) = f(x
0
) +f
(x
0
)(x x
0
) +
f
(2)
(x
0
)
2!
(x x
0
)
2
+. . . +
f
(n)
(x
0
)
n!
(x x
0
)
n
EJEMPLOS:
1. Si f(x) = e
x
encontrar p
5
(x) al rededor de 0. f
(n)
(0) = e
0
= 1
P
5
(x) = 1 +x +
x
2
2!
+
x
3
3!
+
x
4
4!
+
x
5
5!
2. Si f(x) = ln(x + 1) encontrar el nsimo trmino alrededor de 0.
P
n
(x) = x
x
2
2
+
x
3
3

x
4
4
+. . . + (1)
n1
x
n
n
3. Lo mismo para f(x) = sen (x) x
0
= 2
4. P
n
(x) en x
0
= 0 para f(x) =
1
1 x
DEFINICIN 6.2.2 Se dene el nsimo resto de Taylor r
n
(x) de f en x
0
por
r
n
(x) = f(x) P
n
(x)
donde P
n
es el nsimo polinomio de Taylor de f.
148
Vernica Gruenberg Stern 6.2. CLASE 23: POLINOMIOS Y SERIES DE TAYLOR Y MACLAURIN
TEOREMA 6.2.1 Si n N y f
n+1
existe en un intervalo I que contiene a x
0
, entonces para cada
x I, x ,= x
0
existe t
x
entre x
0
y x tal que
f(x) = P
n
(x) +r
n
(x)
con
r
n
(x) =
f
(n+1)
(t
x
)
(n + 1)!
(x x
0
)
n+1
OBSERVACIN: (note que es una generalizacin del Teorema del Valor Medio)
EJEMPLO 6.2.1 Aproximar el nmero e con un error menor a 0, 001
Solucin: f(x) = e
x
[r
n
(1)[ = [f(1) P
n
(1)[ < 0, 001
por el Teorema de Taylor existe t
x
]0, 1[ tal que
[r
n
(1)[ =
f
(n+1)
(t
1
)
(n + 1)!
(1 0)
n+1
=
e
t
1
(n + 1)!
<
4
(n + 1)!
4
(n + 1)!
<
1
1000
n 6
6.2.2. Series de Taylor
DEFINICIN 6.2.3 Supongamos que f tiene derivadas de todo orden en x = x
0
. Llamaremos serie
de Taylor de f en x
0
a la serie de potencias
+
n=0
f
(n)
(x
0
)
n!
(x x
0
)
n
si x
0
= 0 se llama serie de Maclaurin de f.
OBSERVACIN: Puede ocurrir que la serie anterior sea convergente o no para un x ,= x
0
y en caso
de convergencia puede ser a f(x) o a un nmero distinto de f(x)
149
EJEMPLO 6.2.2 La serie de Taylor no converge a la funcin f(x) =
_
e
1
x
2
x ,= 0
0 x = 0
f C
(R), f
(n)
(0) = 0 serie de Taylor 0 entonces pero si x ,= 0, f(x) = e
1
x
2
,= 0.
Para asegurar la convergencia de la serie de Taylor de la funcin respectiva tenemos el siguiente
teorema.
TEOREMA 6.2.2 Supongamos que f tiene derivadas de todo orden en un intervalo I que contiene
a x
0
y existe M > 0 tal que [f
(n)
(x)[ M para todo x I y n N (N jo) entonces la serie de
Taylor de f en x
0
converge a f(x) para cada x I es decir
f(x) =
+
n=0
f
(n)
(x
0
)
n!
(x x
0
)
n
x I
Demostracin: Por el Teorema de Taylor del Resto
r
n
(x) =
f
(n+1)
(t
x
)
(n + 1)!
(x x
0
)
n+1
luego
[r
n
(x)[
M[x x
0
[
n+1
(n + 1)!
pero
lm
n+
(x x
0
)
n+1
(n + 1)!
= 0
por lo tanto
lm
n+
r
n
(x) = 0
lo que prueba el teorema.
EJEMPLOS:
1. f(x) = sen (x) =
+
n=0
(1)
n
x
2n+1
(2n + 1)!
x R
2. f(x) = cos(x) =
+
n=0
(1)
n
x
2n
(2n)!
x R
3. f(x) = e
x
=
+
n=0
x
n
n!
x R
150
Vernica Gruenberg Stern 6.3. CLASE 24: APLICACIONES AL CLCULO DE INTEGRALES Y SERIE BINOMIAL
6.3. CLASE 24: Aplicaciones al Clculo de Integrales y Serie Binomial
Consideremos la serie
1 +x +
( 1)
2!
x
2
+
( 1) ( 2)
3!
x
3
+. . .
= 1 +
n=1
( 1) ( n + 1)
n!
x
n
= 1 +
n=1
_
n
_
x
n
donde hemos usado la notacin
_
n
_
=
( 1) ( n + 1)
n!
es una serie de potencias, su radio de convergencia es
lm
n
(1)(n+1)(n)
(n+1)!
(1)(n+1)
n!
= lm
n
n
n + 1
= 1
se sigue que
f (x) = 1 +
n=1
_
n
_
x
n
es una funcin derivable en ]1, 1[ ms aun:
f
(x) =
n=1
n
_
n
_
x
n1
y
(1 +x) f
(x) =
n=1
n
_
n
_
x
n1
+
n=1
n
_
n
_
x
n
=
n=1
n
_
( 1) ( n + 1)
n!
_
x
n1
+
n=1
n
_
n
_
x
n
=
n=1
_
( 1) ( n + 1)
(n 1)!
_
x
n1
+
n=1
( 1) ( n + 1)
(n 1)!
x
n
= +
n=1
_
( 1) ( n)
n!
_
x
n
+
n=1
( 1) ( n + 1)
(n 1)!
x
n
= +
n=1
_
( 1) ( n)
n!
_
x
n
+
n=1
n
( 1) ( n + 1)
n!
x
n
151
= +
n=1
_
( 1) ( n + 1)
n!
_
(( n) +n) x
n
= +
n=1
_
( 1) ( n + 1)
n!
_
x
n
=
_
1 +
n=1
_
( 1) ( n + 1)
n!
_
x
n
_
= f (x)
entonces
f
(x) =
f (x)
(1 +x)
entonces
f
f
=

1 +x
ln f (x) = ln (1 +x) +C
f (x) = K (1 +x)
notar que f (0) = 1 y as K = 1, se sigue que, para x ]1, 1[

(1 +x)
= 1 +
n=1
( 1) ( n + 1)
n!
x
n
esto permite el siguiente clculo
(1 +x)
1/2
= 1 +
n=1
_
1
2
_ _
1
2
1
_

_
1
2
n + 1
_
n!
x
n
entonces
_
1 x
2
_
1/2
= 1 +
n=1
_
1
2
_ _
1
2
1
_

_
1
2
n + 1
_
n!
(1)
n
x
2n
y as
arc sen x = x +
n=1
_
1
2
_ _
1
2
1
_

_
1
2
n + 1
_
n! (2n + 1)
(1)
n
x
2n+1
as
arc sen x = x +
n=1
_
1
2
_ _
1
2
1
_

_
1
2
n + 1
_
n! (2n + 1)
(1)
n
x
2n+1
= x +
n=1
_
1
2
_ _
1
2
+ 1
_

_
1
2
+n 1
_
n! (2n + 1)
x
2n+1
= x +
n=1
1 3 5 (2n 1)
2
n
n! (2n + 1)
x
2n+1
vlido en ]1, 1[
152
1. Determine una serie de potencias alrededor de x
0
= 0 (serie de Maclaurin) para la funcin
f(x) =
1
1 +x
.
2.
3.
153

A Complemento 22013

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

A Complemento 22013

Uploaded by

Copyright:

Available Formats

Coordinacin MAT022

Campus Santiago Vitacura

AB. El vector nulo

= (cos , sen ) es unitario.

(es el desarrollo del determinante por la primera la en cofactores).

Esto nos lleva a la siguiente:

=D = (1, 1 +t, 5t) y

b y p los vectores posicin de A, B y P, respectivamente. Si p = 3a 2

6. Es fcil ver que, en general, R

(R) : f(x) = sen (x) + cos(x), , R.

TEOREMA 3.4.7 Sea B = u

5 = |(1, 2)| entonces

los sistemas coordenados. Luego, en coordenadas XY , podemos escribir

= 2(C A) sen cos + 2B(cos

= 0 por una rotacin en un ngulo (en sentido

= 0, y tal ngulo est determinado

. Es fcil ver que

para k 1. Note que la longitud

para u N. Note que la longitud de J

2 +L. Entonces, por

a donde a > 0. Mostremos que lm

comparndola directamente con

(R) y se tiene que:

(x) = f (x) en R y f (0) = 1. Si

(x) = 0 g(x) = cte g(x) = 1 f(x) = e

(R). Encuentre su serie de potencias.

notar que f (0) = 1 y as K = 1, se sigue que, para x ]1, 1[

You might also like